[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

说明书

本发明揭示了一种基于增量学习的材料吸声系数回归方法及系统，包括：在每个增量学习阶段加载上一次学习到的模型参数、惩罚系数和样本回放池；对每轮训练的批量训练数据，基于当前增量学习阶段中的模型参数和上一增量阶段的惩罚系数和样本回放池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，同时更新模型参数和惩罚系数；对训练集进行水库采样，将采样得到的样本与上一阶段的样本回放池合并得到新的样本回放池；保存模型参数、惩罚系数和样本回放池。本发明实现了基于回放和动态调整惩罚系数的增量学习方法在材料吸声系数回归的应用，缓解了由材料流数据带来的灾难性遗忘问题，保证回归精度的前提下，减少模型计算量。

技术领域

本发明涉及一种基于增量学习的材料吸声系数回归方法以及基于该方法实现的系统，属于计算机和材料领域。

背景技术

材料吸声系数回归是指给定材料的规格参数和吸声系数，寻找材料规格参数与吸声系数之间的关系。主要目的是为吸声材料的选择、分析和设计提供理论支持。

材料数据的获取是十分困难的。材料数据是通过相关材料实验来获得的，而实验难度大和费用高是其获取困难的主要原因之一。材料数据往往具有流数据的特点，即无法一次性获取，且随着实验设置的变化，材料数据会随之变化。材料数据的这一特点导致很多需要全部数据才能训练的批量模型失去了效果。

增量学习是指一个学习系统能够不断地处理现实世界中连续的信息流，在吸收新知识的同时保留甚至整合、优化旧知识。因此，增量学习的学习模式是非常适合材料科学方面的研究的，即能够在不断变化的实验数据中学习到新的知识，且不忘记旧知识。当下增量学习的研究都是为了解决灾难性遗忘这一问题，因为在每一次增量阶段，都无法获取已经学习过的样本，导致旧知识的灾难性遗忘。且大多数增量场景是基于分类任务来进行的，即在每次增量阶段，分类任务中的类别是从未学习过的。而针对回归任务，当样本特征空间分布不平衡时，也会存在灾难性遗忘的问题。

发明内容

本发明的目的是：为回归任务提供增量学习的方法，其能在材料流数据中不断学习材料吸声系数与材料规格参数的规律。

为了达到上述目的，本发明的技术方案是提供了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。