PowerBuilder数据窗口多表更新的通用性方法

PowerBuilder中单数据窗口只能更新一个表,目前常用的解决方法是编写函数实现基于单数据窗口的两表更新,当表的数目增加时又需要重新编程或重复调用函数.为克服该局限性,对其进行了改进,通过建立全局函数实现单数据窗口的多表更新,提高了代码的可重用性和可维护性,通过向函数传递不同的参数,使程序不必受制于数据库表的个数和名称,体现其通用性,从而使PowerBuilder应用程序的报表更新技术更完善,更灵活.     

基于自适应动量更新策略的Adams算法

Adam算法是目前最常用的优化算法之一，但其面临学习率震荡导致模型不收敛问题，其改进算法AMSGrad也存在梯度递减导致的二阶动量失效问题。针对上述问题，提出了基于自适应动量更新策略的Adams算法。首先，通过为一阶动量和二阶动量引入自适应更新参数，并在最后的参数更新期间采用较小的一阶动量更新参数，构建了一种自适应的动量更新策略。其次，基于该更新策略，提出了一种能够快速收敛的Adams算法。最后，通过理论分析证明了Adams算法的收敛性。基于文本分类和图像分类的对比实验表明，相比于Adam和AMSGrad算法，Adams收敛速度更快、训练结果更好，且具有优秀的泛化能力；消融实验证明了Adams算法自适应动量更新策略的有效性。     

基于深度学习的交通路口自动识别

基于车辆轨迹数据提取道路信息已经成为数字地图更新的一种有效而廉价的方法，引起了广泛的研究。交通路口是道路信息的重要组成，如何快速而准确提取交通路口具有一定的挑战。深度学习的快速发展为解决这一问题提供了一种新的思路。本文针对轨迹数据在交通路口的分布特性，首先提出一种基于LSTM深度学习的转弯轨迹模式自动提取方法，通过统计航向变化规律对路口转弯轨迹进行建模分类，然后采用LSTM深度模型学习轨迹时间序列，从而实现转弯轨迹模式的自动识别，训练好的模型可以对新的未知轨迹数据实现自动快速地提取转弯轨迹。其次，针对因路口转弯点的稀疏性而影响准确定位路口中心这一难点，本文提出一种联合补偿点计算和转弯轨迹航向变化幅度的方法选取路口候选点，然后通过聚类路口候选点识别道路交叉口。为验证和评估该方法的有效性，采用福州市鼓楼区出租车实际轨迹数据进行测试。结果表明，该方法道路交叉口识别准确率达到96.7%，为电子地图实时更新及无人驾驶自动导航应用等提供关键技术支持，同时我们开放该方法源代码和实验数据，以便于其他研究者开展相关研究。