摘要：为提高基于格子波尔兹曼(Lattice Boltzmann,lb)模型图像去噪方法的性能,研究了非线性图像扩散lb模型的CUDA算法,即分别利用纹理内存、共享内存以及直接使用全局内存来实现非线性图像扩散lb模型中的迁移过程.利用合成图像和真实图像的去噪实验表明,针对非线性图像扩散lb模型,GPU相对CPU的加速比可达90倍以上;而且加速比的提高与GPU流处理器的数目成正比.

摘要：针对现有时间序列预测模型存在的误差大、不稳定等问题,提出一种基于EMD的时间序列预测模型。该模型适应于预测数据量大、波动性大的时间序列,提出一种分配函数,解决分解后子序列的分配问题。EMD将原始序列分解为一系列子序列,分配函数根据子序列的波动状态划分出极端子序列和非极端子序列。极端子序列由LSTM进行训练预测,非极端子序列子序列由lb进行训练预测,将所有子序列整合为最终预测结果。与已有的一些模型方法相比,各数据集的预测精度均有所提高。