一种基于光学衍射深度神经网络的多任务持续学习方法

本发明涉及一种基于光学衍射深度神经网络的多任务持续学习方法，所述光学衍射深度神经网络隐藏层的权重为相位调制器件上加载的采用具有弹性权重保持方法和误差反向传播的训练算法生成的调制相位掩膜，依次加载每个数据集，光场经过衍射到达隐藏层的相位调制器件，并被相位调制，输出层探测光场强度，根据探测区的亮暗情况获得第l数据集的输出标签；计算第l数据集的损失函数，并更新调制相位掩膜矩阵，对所有数据集进行识别；重复迭代；调整网络参数，重复上述步骤，直到所有数据集识别准确率都高于设定阈值。与现有技术相比，本发明具有解决光学神经网络中灾难性遗忘的问题，实现了多任务的持续学习，提高多任务识别的效率和准确性等优点。