电子测量技术

作者：陈祺东，徐国梁，邓瑞翔，吴豪

单位：1.无锡学院物联网工程学院 无锡 214105;2.南京信息工程大学计算机学院、网络空间安全学院 南京 210044;3.中国科学院上海硅酸盐研究所 上海 201899

关键词：微波吸收超材料;数据生成;数据集规模;灾难性遗忘

基金：无锡学院引进人才科研启动专项经费(2024r004)项目资助

数据集规模是影响深度学习模型性能的关键因素之一。由于深度学习模型性能高度依赖于数据集规模，实现特定精度所需的数据量通常难以预估。该问题在超材料智能设计中同样存在，成为制约建模精度和效率的重要因素。为此，提出一种动态数据生成与模型性能评估框架，以实现数据集规模与模型性能的动态监控。为提升模型动态评估效率并有效缓解灾难性遗忘现象，设计了一种持续学习策略，使模型在动态评估过程中仅需针对新数据进行学习，同时保持对已有知识的记忆。实验结果表明，基于该持续学习策略训练的模型预测平均准确率可达到93.28%，平均遗忘率为3.68%，充分验证了该模型在缓解灾难性遗忘问题方面的有效性。

来源：2026年第2期

《电子测量技术》期刊编辑部

查看电子测量技术杂志2026年第2期