Almost all the methods that model t

Almost all the methods that model the statistical characteristics of wavelet coefficients are only applicable to a small data set. Most of them are related to de-noising, texture analysis, segmentation, classification, and retrieval algorithms. For big data sets, such as space-temporal remote sensing data sets, we also need to model their wavelet coefficients to find the changing trends, discover the intrinsic mechanisms, and represent the rules of their evolution process. In this paper, we use the GMM to denote the statistical propertiesofwaveletcoefficientsofaremotesensingbigdata set. Our contribution is to estimate the model parameters of a big data set using different aspects or dimensions such as time, spectral bands, scales, and textures.

ผลลัพธ์ (ไทย) 1:

วิธีการเกือบทั้งหมดที่รูปแบบลักษณะทางสถิติของ wavelet coefficients จะใช้กับชุดข้อมูลขนาดเล็กเท่านั้น ส่วนใหญ่จะเกี่ยวข้องกับยกเลิก noising วิเคราะห์เนื้อ แบ่งส่วน classification และอัลกอริทึมเรียก สำหรับชุดข้อมูลขนาดใหญ่ เช่นขมับพื้นที่ระยะไกลตรวจจับชุดข้อมูล เรา ต้องรุ่น coefficients ของ wavelet กับแนวโน้มการเปลี่ยนแปลง ค้นพบกลไกที่แท้จริง แสดงกฎของกระบวนการวิวัฒนาการ ในกระดาษนี้ เราใช้ดัสที่แสดงการตั้งค่าสถิติ propertiesofwaveletcoefficientsofaremotesensingbigdata ผลงานของเราคือการ ประมาณพารามิเตอร์รูปแบบของชุดข้อมูลขนาดใหญ่โดยใช้ด้านต่าง ๆ หรือมิติเช่นเวลา แถบสเปกตรัม เครื่องชั่ง และพื้นผิว

ผลลัพธ์ (ไทย) 2:

เกือบทุกวิธีการที่ว่ารูปแบบลักษณะทางสถิติของเวฟ COEF cients Fi เป็นเพียงที่ใช้บังคับกับชุดข้อมูลขนาดเล็ก ส่วนใหญ่จะเกี่ยวข้องกับการยกเลิกการ noising วิเคราะห์พื้นผิวการแบ่งกลุ่มจัดประเภท Fi ไอออนบวกและขั้นตอนวิธีการดึง สำหรับชุดข้อมูลขนาดใหญ่เช่นพื้นที่ชั่วคราวชุดข้อมูลระยะไกลเรายังต้องจำลองเวฟ cients COEF Fi ของพวกเขาไปยัง FI ND แนวโน้มการเปลี่ยนแปลงที่ค้นพบกลไกที่แท้จริงและเป็นตัวแทนกฎของกระบวนการวิวัฒนาการของพวกเขา ในบทความนี้เราจะใช้ GMM เพื่อแสดงถึง propertiesofwaveletcoef สถิติชุด Fi cientsofaremotesensingbigdata ผลงานของเราคือการประมาณค่าพารามิเตอร์รุ่นของชุดข้อมูลขนาดใหญ่โดยใช้แง่มุมที่แตกต่างกันหรือมิติเช่นเวลาวงดนตรีสเปกตรัม, เครื่องชั่งน้ำหนักและพื้นผิว

ผลลัพธ์ (ไทย) 3:

เกือบทุกวิธีการที่รูปแบบลักษณะทางสถิติของเวฟเล็ต coef จึง cients เท่านั้นที่ใช้กับชุดข้อมูลขนาดเล็ก . ส่วนใหญ่ของพวกเขาเกี่ยวข้องกับ de-noising การวิเคราะห์ การตัดเนื้อ , classi จึงไอออนบวก และขั้นตอนวิธีการกู้คืนมา สำหรับชุดข้อมูลขนาดใหญ่ เช่น พื้นที่ชั่วคราวระยะไกลชุดข้อมูลที่เราต้องการรูปแบบของเวฟเล็ต coef จึง cients เพื่อถ่ายทอดและแนวโน้มการเปลี่ยนแปลง การค้นพบกลไกภายใน และเป็นตัวแทนของกฎของกระบวนการวิวัฒนาการของ ในกระดาษนี้เราใช้ 3.9G จึง propertiesofwaveletcoef เพื่อแสดงสถิติ cientsofaremotesensingbigdata ชุด ผลงานของเราคือการประมาณพารามิเตอร์ของข้อมูลชุดใหญ่ใช้แง่มุมที่แตกต่างกันหรือขนาด เช่น เวลา การ วง เครื่องชั่ง และพื้นผิว