买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜华中科技大学申请的专利一种匹配任务难度的类别增量学习模型定制化方法、装置及存储介质获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119323245B 。

龙图腾网通过国家知识产权局官网在2025-04-04发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411874322.9，技术领域涉及：G06N3/084；该发明授权一种匹配任务难度的类别增量学习模型定制化方法、装置及存储介质是由李德鹏;张震宇;赵晨阳;刘杨;徐冰瑢;曾志刚设计研发完成，并于2024-12-19向国家知识产权局提交的专利申请。

本一种匹配任务难度的类别增量学习模型定制化方法、装置及存储介质在说明书摘要公布了：本发明公开了一种匹配任务难度的类别增量学习模型定制化方法、装置及存储介质，属于分类网络设计领域。该方法包括：设计匹配当前任务难度的不等式约束，筛选随机节点，以构建类别增量学习模型的表征学习层的神经单元；以动态前向更新的方式更新类别增量学习模型的分类器层的输出权值；基于当前任务的训练数据计算输出概率，并根据输出概率对应的激活阈值对神经单元进行参数化，更新类别增量学习模型，得到定制化的类别增量学习模型；获取训练过的某一任务的测试数据，将测试数据输入定制化的类别增量学习模型中激活对应的神经单元，得到输出类别。分配与任务难度相匹配的扩展配额，使得网络的扩展与适应新任务所需的模型容量相匹配。

本发明授权一种匹配任务难度的类别增量学习模型定制化方法、装置及存储介质在权利要求书中公布了：1.一种匹配任务难度的类别增量学习模型定制化方法，其特征在于，包括：S1、给定当前任务的训练数据，设计匹配当前任务难度的不等式约束，筛选随机节点，以构建类别增量学习模型的表征学习层的神经单元；所述训练数据为自然图像数据CIFAR-100的均匀划分版本，训练数据中的训练样本表示为其中，t为分类任务标记，t＝1,2,…,10，Xt为分类任务t的图像输入，Yt为分类任务t的图像输出，|Dt|为任务t训练样本个数，Mt和Ct分别为输入特征数和输出类别数；S2、采用梯度下降算法减小训练误差，并以动态前向更新的方式更新所述类别增量学习模型的分类器层的输出权值；S3、基于当前任务的训练数据计算对应类别的输出概率，并根据所述输出概率对应的激活阈值对神经单元进行参数化，更新类别增量学习模型；S4、当下一个分类任务出现时，循环执行S1-S3，直至遍历所有任务，得到定制化的类别增量学习模型；其中，步骤S1具体包括：S11、当前分类任务t出现时，在可调对称区间[-λ,λ]内初始化多组隐含层参数对{Wl,Bl}，得到多个随机节点GlXtWl+Bl；其中，Xt为分类任务t的图像输入，λ为区间边界，l表示每组节点的数量，Wl为连接权值，Bl为偏置；S12、设计单个节点添加方式和批量节点添加方式 其中，L-l表示表征学习层扩展前的节点数；c＝1,2,...,Ct表示任务t所包含的Ct个类别中的第c个，表示训练误差，βl,ct表示输出权值，gl表示随机节点GlXtWl+Bl个数为1时的情况，即单个随机节点；δt＝1-rt-μLt表示误差因子，rt表示误差递减量，μLt为收敛平衡系数；S13、设计匹配当前任务难度的不等式约束，并按照所述不等式约束从所述随机节点中筛选出多个单个节点和多个批量节点，从多个单个节点和多个批量节点中比较并选择最优的节点，作为目标节点；不等式约束表示为： S14、将目标节点添加到表征学习层相应的神经单元中，扩展表征学习层，并判断扩展后的网络是否满足目标误差或达到最大添加节点数，若是，得到扩展后的网络若否，则返回S11；其中，将GlXtWl+Bl表示为βlt为输出权值向量，表示最佳隐含层参数对。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人华中科技大学，其通讯地址为：430074 湖北省武汉市洪山区珞喻路1037号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。