【技术实现步骤摘要】
一种基于增量学习的材料吸声系数回归方法及系统
[0001]本专利技术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。
技术介绍
[0002]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。
[0003]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。
[0004]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...
【技术保护点】
【技术特征摘要】
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D
i
，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D
i
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D
i
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
p...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。