[发明专利]一种基于增量学习的材料吸声系数回归方法及系统

权利要求书

1.一种基于增量学习的材料吸声系数回归方法，其特征在于，包括以下步骤：

S100、加载上一次增量学习阶段学习到的模型参数W_pre、惩罚系数F_pre和样本回放池M_pre，定义当前一次增量学习阶段的模型参数W由W_pre赋值，惩罚系数F由F_pre赋值；

S200、根据批量大小将训练集进行批量划分得到批量训练数据集合D⁽ⁿ⁾，n表示当前批量训练数据集合中的批量训练数据数目，同时设置当前一次增量学习阶段的训练轮数N_epoch；

S300、对模型进行N_epoch轮训练；

每轮训练中，对于批量训练数据集合D⁽ⁿ⁾中的每一个批量训练数据，基于步骤S100所得到的模型参数W以及上一次增量学习阶段学习到惩罚系数F_pre和样本回放池M_pre进行小批量梯度下降，对均方误差损失函数和惩罚损失函数进行反向梯度传播，同时更新模型参数W和惩罚系数F；

S400、对训练集进行水库采样，将采样得到的样本M_now与上一次增量学习阶段的样本回放池M_pre合并得到新的样本回放池M；

S500、将当前一次增量学习阶段学习到的模型参数W、惩罚系数F和样本回放池M进行保存，以便下一阶段更新模型的时候不会忘记旧知识，达到缓解灾难性遗忘的问题。

2.如权利要求1所述的一种基于增量学习的材料吸声系数回归方法，其特征在于，步骤S100中，若当前一次增量学习阶段是首次增量学习，则对模型参数W进行随机初始化，惩罚系数F进行零初始化，样本回放池M为空。

3.如权利要求1所述的一种基于增量学习的材料吸声系数回归方法，其特征在于，对于批量训练数据集合D⁽ⁿ⁾中的第i个批量训练数据Dⁱ，步骤S300具体包括以下步骤：

S301、对样本回放池M_pre进行随机采样得到旧样本D_pre；

S302、将旧样本D_pre和第i个批量训练数据Dⁱ进行合并得到作为训练数据；

S303、将训练数据输入回归模型中得到预测值

S304、重复步骤301至步骤S303直至遍历批量训练数据集合D⁽ⁿ⁾中的每个批量训练数据，基于每个批量训练数据自身的真实和通过步骤303得到的预测值计算均方误差损失L_train，如下式所示：

式中，表示第i个批量训练数据Dⁱ自身的真实值

S305、根据步骤S304中获得的均方误差损失L_train进行梯度的反向传播，从而更新模型参数W，W的更新计算公式为：

式中，为模型参数W在均方误差中的梯度，η_w表示模型学习率，L_train(W)表示均方误差损失；

S306、根据梯度更新当前一次增量学习阶段的惩罚系数F，惩罚系数F的更新计算公式为：

式中，α为遗忘平衡参数；

S307，根据上一次增量学习阶段学习到的模型参数W_pre、惩罚系数F_pre计算惩罚损失L_penalty，如下式所示：

式中，λ为权重；表示第i个参数的惩罚系数；W_i表示当前模型的第i个参数；W_i^pre表示上一次增量学习阶段学习到的模型的第i个参数；

S308、根据步骤S307获得的惩罚损失L_penalty进行梯度的反向传播，从而更新模型参数W，W的更新计算公式为：

式中，为模型参数W在惩罚损失中的梯度，L_penalty(W，W_pre，F_pre)表示惩罚损失。