ABSTRACT Since it is difficult to de

ABSTRACT
Since it is difficult to deal with big data using traditional models and algorithms,predicting and estimating the characteristics of big data is very important. Remote sensing big data consist of many large scale images that are extremely complex in terms of their structural, spectral, and textual features. Based on multire solution 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 multi scale 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 comprehensively analyzed.The statistical characteristics of different textures a real so compared.We find that the cluster characteristics of the wavelet coefficients are still obvious in the remote sensing big data set for different bands and different scales.However,it is not always precise when we model the long-term sequence 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
เพราะมันเป็นเรื่องยากที่จะจัดการกับข้อมูลขนาดใหญ่โดยใช้แบบจำลองแบบดั้งเดิมและขั้นตอนวิธีการทำนายและการประมาณการลักษณะของข้อมูลขนาดใหญ่ที่มีความสำคัญมาก ระยะไกลตรวจจับข้อมูลขนาดใหญ่ประกอบด้วยหลายภาพขนาดใหญ่ที่มีความซับซ้อนมากในแง่ของโครงสร้างสเปกตรัมและคุณลักษณะที่เป็นข้อความ บนพื้นฐานของทฤษฎีการวิเคราะห์การแก้ปัญหา multire ส่วนใหญ่ของภาพที่เป็นธรรมชาติมีความเบาบางและมีการจัดกลุ่มที่เห็นได้ชัดและความเพียรของตัวละครเมื่อพวกเขาจะกลายเป็นโดเมนอื่นโดยกลุ่มของฟังก์ชั่นพิเศษขั้นพื้นฐาน ในบทความนี้เราจะใช้การแปลงเวฟเล็ตจะเป็นตัวแทนของข้อมูลขนาดใหญ่ระยะไกลที่มีขนาดใหญ่ในโดเมนพื้นที่ที่มีความสัมพันธ์ในโดเมนสเปกตรัมและต่อเนื่องในโดเมนเวลา เราย่อยสลายข้อมูลขนาดใหญ่ตั้งเป็นตัวอย่างขนาดหลายรายละเอียด COEF cients Fi ขึ้นอยู่กับการแปลงเวฟ เพื่อที่จะตรวจสอบว่าฟังก์ชั่นความหนาแน่นของเวฟ cients COEF Fi ในชุดข้อมูลขนาดใหญ่เป็นแหลมที่ศูนย์และมีรูปร่างที่ Tailed หนักสององค์ประกอบผสมแบบเกาส์ (GMM) เป็นลูกจ้าง สำหรับช่วงเวลาแรกที่เราใช้วิธีการความคาดหวังสูงสุด-โอกาสในการประมาณค่าพารามิเตอร์แบบจำลองสำหรับข้อมูลขนาดใหญ่ระยะไกลที่ตั้งอยู่ในโดเมนเวฟ ความแปรปรวนของ GMM กับการเปลี่ยนแปลงของวงเวลาและขนาดกว้างมีลักษณะ analyzed.The สถิติของพื้นผิวที่แตกต่างกันจริงเพื่อ compared.We Fi ND ว่าลักษณะคลัสเตอร์ของเวฟ COEF cients Fi ยังคงเห็นได้ชัดในข้อมูลขนาดใหญ่ระยะไกลที่กำหนดไว้สำหรับ วงดนตรีที่แตกต่างกันและ scales.However ที่แตกต่างกันจะไม่เสมอได้อย่างแม่นยำเมื่อเราสร้างแบบจำลองในระยะยาวลำดับชุดข้อมูลโดยใช้ GMM นอกจากนี้เรายังพบว่าคุณสมบัติขนาดของพื้นผิวที่แตกต่างกันสำหรับชุดข้อมูลขนาดใหญ่ที่เห็นได้ชัดอีกครั้ง FL ected ในฟังก์ชั่นความหนาแน่นของความน่าจะเป็นและจีเอ็มเอ็พารามิเตอร์ของเวฟ COEF cients Fi.
INDEX เงื่อนไขการประมวลผลข้อมูลขนาดใหญ่การประมวลผลภาพระยะไกลเวฟพารามิเตอร์การประมาณค่า