ABSTRACT Sinceitisdifficulttodealwit

ABSTRACT Sinceitisdifficulttodealwithbigdatausingtraditionalmodelsandalgorithms,predictingand estimating the characteristics of big data is very important. Remote sensing big data consist of many largescale images that are extremely complex in terms of their structural, spectral, and textual features. Based on multiresolution analysis theory, most of the natural images are sparse and have obvious clustering and persistence characters when they are transformed into another domain by a group of basic special functions. In this paper, we use a wavelet transform to represent remote sensing big data that are large scale in the space domain, correlated in the spectral domain, and continuous in the time domain. We decompose the big data set into approximate multiscale detail coefficients based on a wavelet transform. In order to determine whether the density function of wavelet coefficients in a big data set are peaky at zero and have a heavy tailed shape, a two-component Gaussian mixture model (GMM) is employed. For the first time, we use the expectation-maximization likelihood method to estimate the model parameters for the remote sensing big data set in the wavelet domain. The variance of the GMM with changing of bands, time, and scale are comprehensivelyanalyzed.Thestatisticalcharacteristicsofdifferenttexturesarealsocompared.Wefindthat the cluster characteristics of the wavelet coefficients are still obvious in the remote sensing big data set for differentbandsanddifferentscales.However,itisnotalwaysprecisewhenwemodelthelong-termsequence data set using the GMM. We also found that the scale features of different textures for the big data set are obviously reflected in the probability density function and GMM parameters of the wavelet coefficients.
INDEX TERMS Big data computing, remote sensing image processing, wavelet, parameters estimation.

ผลลัพธ์ (ไทย) 2:

บทคัดย่อ Sinceitisdif culttodealwithbigdatausingtraditionalmodelsandalgorithms fi, predictingand ประเมินลักษณะของข้อมูลขนาดใหญ่ที่มีความสำคัญมาก ระยะไกลตรวจจับข้อมูลขนาดใหญ่ประกอบด้วยภาพ largescale จำนวนมากที่มีความซับซ้อนอย่างมากในแง่ของโครงสร้างสเปกตรัมและคุณลักษณะที่เป็นข้อความ บนพื้นฐานของทฤษฎีการวิเคราะห์ multiresolution ส่วนใหญ่ของภาพที่เป็นธรรมชาติมีความเบาบางและมีการจัดกลุ่มที่เห็นได้ชัดและความเพียรของตัวละครเมื่อพวกเขาจะกลายเป็นโดเมนอื่นโดยกลุ่มของฟังก์ชั่นพิเศษขั้นพื้นฐาน ในบทความนี้เราจะใช้การแปลงเวฟเล็ตจะเป็นตัวแทนของข้อมูลขนาดใหญ่ระยะไกลที่มีขนาดใหญ่ในโดเมนพื้นที่ที่มีความสัมพันธ์ในโดเมนสเปกตรัมและต่อเนื่องในโดเมนเวลา เราย่อยสลายข้อมูลขนาดใหญ่ตั้งเป็นตัวอย่าง Multiscale รายละเอียด COEF cients Fi ขึ้นอยู่กับการแปลงเวฟ เพื่อที่จะตรวจสอบว่าฟังก์ชั่นความหนาแน่นของเวฟ cients COEF Fi ในชุดข้อมูลขนาดใหญ่เป็นแหลมที่ศูนย์และมีรูปร่างที่ Tailed หนักสององค์ประกอบผสมแบบเกาส์ (GMM) เป็นลูกจ้าง สำหรับช่วงเวลาแรกที่เราใช้วิธีการความคาดหวังสูงสุด-โอกาสในการประมาณค่าพารามิเตอร์แบบจำลองสำหรับข้อมูลขนาดใหญ่ระยะไกลที่ตั้งอยู่ในโดเมนเวฟ ความแปรปรวนของ GMM กับการเปลี่ยนแปลงของวงเวลาและขนาดเป็น Fi comprehensivelyanalyzed.Thestatisticalcharacteristicsofdifferenttexturesarealsocompared.We ndthat ลักษณะกลุ่มของ COEF เวฟที่ cients Fi ยังคงเห็นได้ชัดในข้อมูลขนาดใหญ่ระยะไกลที่กำหนดไว้สำหรับ differentbandsanddifferentscales.However ข้อมูล itisnotalwaysprecisewhenwemodelthelong-termsequence ตั้งใช้ GMM . นอกจากนี้เรายังพบว่าคุณสมบัติขนาดของพื้นผิวที่แตกต่างกันสำหรับชุดข้อมูลขนาดใหญ่ที่เห็นได้ชัดอีกครั้ง FL ected ในฟังก์ชั่นความหนาแน่นของความน่าจะเป็นและจีเอ็มเอ็พารามิเตอร์ของเวฟ COEF cients Fi.
INDEX เงื่อนไขการประมวลผลข้อมูลขนาดใหญ่การประมวลผลภาพระยะไกลเวฟพารามิเตอร์การประมาณค่า

ผลลัพธ์ (ไทย) 3:

บทคัดย่อ sinceitisdif จึง culttodealwithbigdatausingtraditionalmodelsandalgorithms predictingand , ประเมินคุณลักษณะของข้อมูลใหญ่ สำคัญมาก ข้อมูลระยะไกลขนาดใหญ่ประกอบด้วยภาพมากกว่า หลายอย่างที่ซับซ้อนมากในแง่ของโครงสร้าง , เงาและคุณสมบัติเดิม ตามทฤษฎีการวิเคราะห์การวิเคราะห์ ส่วนใหญ่ของภาพธรรมชาติเป็นป่าโปร่งและมีการจัดกลุ่มที่ชัดเจนและตัวอักษรติดตาเมื่อพวกเขากลายเป็นโดเมนอื่น โดยกลุ่มของฟังก์ชันพิเศษขั้นพื้นฐาน ในกระดาษนี้เราใช้การแปลงเวฟเล็ตเพื่อแสดงข้อมูลระยะไกลขนาดใหญ่ที่มีขนาดใหญ่ในพื้นที่จากโดเมน , โดเมนของตัวเอง มีความสัมพันธ์และต่อเนื่องในเวลาโดเมน เราแยกใหญ่ชุดข้อมูลในรายละเอียด coef multiscale โดยประมาณ จึง cients ขึ้นอยู่กับการแปลงเวฟ . เพื่อตรวจสอบว่าฟังก์ชันความหนาแน่นของเวฟเล็ต coef จึง cients ในข้อมูลชุดใหญ่จะหักที่ศูนย์จะเป็นหนัก หาง รูปร่างผสมแบบ Gaussian โมเดล ( GMM ) เป็นลูกจ้าง สำหรับจึงตัดสินใจเดินทางไปเวลาเราใช้ความคาดหวังสูงสุดความน่าจะเป็นวิธีประเมินพารามิเตอร์สำหรับระยะไกลข้อมูลชุดใหญ่ในเวฟเล็ตโดเมน ความแปรปรวนของจีเอ็มเอ็ม กับการเปลี่ยนแปลงของแถบ , เวลา , ขนาดและ comprehensivelyanalyzed . thestatisticalcharacteristicsofdifferenttexturesarealsocompared เราจึง ndthat กลุ่มลักษณะของเวฟเล็ต coef จึง cients ยังคงชัดเจนในการรับรู้จากระยะไกลขนาดใหญ่ชุดข้อมูลสำหรับ differentbandsanddifferentscales อย่างไรก็ตาม itisnotalwaysprecisewhenwemodelthelong ข้อมูล termsequence ตั้งใช้ GMM . นอกจากนี้เรายังพบว่าระดับคุณลักษณะของพื้นผิวที่แตกต่างกันสำหรับข้อมูลชุดใหญ่เห็นได้ชัด Re flประมวลในฟังก์ชันความหนาแน่นของความน่าจะเป็น และจีเอ็มเอ็ม พารามิเตอร์ของการแปลงเวฟ coef จึง cients .เงื่อนไขการคำนวณดัชนีข้อมูลใหญ่ระยะไกลเทคนิคการประมวลผลภาพ การประมาณค่าพารามิเตอร์