1.一种基于半监督类增量学习的音频分类方法，其特征在于，所述方法包括：获取待分类的音频数据；调用训练完毕的半监督类增量音频分类模型；所述半监督类增量音频分类模型为采用有序序列任务集合和所述序列任务集合对应的数据集，基于时序一致性正则化方法和损失函数算法对深度神经网络模型逐项任务训练得到；将所述待分类的音频数据输入所述半监督类增量音频分类模型进行半监督类增量学习，得到所述待分类的音频数据的分类标签；其中，所述半监督类增量音频分类模型的训练过程，包括：获取所述序列任务集合及与所述序列任务集合对应的数据集，初始化深度神经网络模型和重放样本缓冲池；提取所述序列任务集合中当前任务对应的当前数据集，利用所述损失函数算法对所述当前数据集进行计算得到总损失函数，将计算过程中产生的有效伪标签对应的样本存储至所述重放样本缓冲池；所述总损失函数包括监督学习交叉熵损失函数与半监督交叉熵损失函数；利用所述总损失函数结合时序一致性正则化方法对所述深度神经网络模型进行参数的梯度更新，完成深度神经网络模型当前次训练并得到新参数；得到所述新参数后，返回提取所述序列任务集合中当前任务对应的当前数据集，利用所述损失函数算法对所述当前数据集进行计算得到总损失函数的步骤，进行模型的下一个数据集训练；当所述深度神经网络模型在所述序列任务合集上完成了所有序列任务的训练后，得到所述半监督类增量音频分类模型。
2.根据权利要求1所述的基于半监督类增量学习的音频分类方法，其特征在于，所述损失函数算法的过程，包括：将所述当前数据集从音频信号转换为梅格尔时频图；所述梅格尔时频图包括对应无标签音频信号的第一梅格尔时频图以及对应有标签音频信号的第二梅格尔时频图；将所述第一梅格尔时频图输入至所述深度神经网络模型计算得到所述半监督学习交叉熵损失函数；将所述第二梅格尔时频图输入至深度神经网络模型计算得到所述监督学习交叉熵损失函数；将所述半监督学习交叉熵损失函数与监督交叉熵损失函数进行求和得到总损失函数。
3.根据权利要求2所述的基于半监督类增量学习的音频分类方法，其特征在于，所述将第一梅格尔时频图输入至所述深度神经网络模型计算的过程，包括：将所述第一梅格尔时频图进行信号弱增强与强增强，得到弱增强第一梅格尔时频图与强增强第一梅格尔时频图；将所述弱增强第一梅格尔时频图输入至所述深度神经网络模型预测得到伪标签，并保留所述深度神经网络模型产生高置信预测时的伪标签为有效伪标签；将所述强增强第一梅格尔时频图输入至所述深度神经网络模型结合所述有效伪标签进行计算得到所述半监督学习交叉熵损失函数。
4.根据权利要求1所述的基于半监督类增量学习的音频分类方法，其特征在于，所述时序一致性正则化方法的过程，包括：提取所述重放样本缓冲池中不同类别任务的设定数量的所述有效伪标签对应的样本；将所述有效伪标签对应的样本输入至上一次训练的所述深度神经网络模型中计算得到第一高层特征向量值；将所述有效伪标签对应的样本输入至当前次训练的所述深度神经网络模型中进计算得到第二高层特征向量值；根据所述第一高层特征向量值与所述第二高层特征向量值计算得到设定数量损失函数。
5.根据权利要求1所述的基于半监督类增量学习的音频分类方法，其特征在于，所述数据集包括有标签音频信号的数量少于无标签音频信号的数量。
6.根据权利要求1所述的基于半监督类增量学习的音频分类方法，其特征在于，所述序列任务集合中不同任务的音频信号无重叠。
7.一种基于半监督类增量学习的音频分类装置，其特征在于，包括：数据获取模块，用于获取待分类的音频数据；模型调用模块，用于调用训练完毕的半监督类增量音频分类模型；所述半监督类增量音频分类模型为采用有序序列任务集合和所述序列任务集合对应的数据集，基于时序一致性正则化方法和损失函数算法对深度神经网络模型逐项任务训练得到；音频分类模块，用于将所述待分类的音频数据输入所述半监督类增量音频分类模型进行半监督类增量学习，得到所述待分类的音频数据的分类标签；其中，所述半监督类增量音频分类模型的训练过程，包括：获取所述序列任务集合及与所述序列任务集合对应的数据集，初始化深度神经网络模型和重放样本缓冲池；提取所述序列任务集合中当前任务对应的当前数据集，利用所述损失函数算法对所述当前数据集进行计算得到总损失函数，将计算过程中产生的有效伪标签对应的样本存储至所述重放样本缓冲池；所述总损失函数包括监督学习交叉熵损失函数与半监督交叉熵损失函数；利用所述总损失函数结合时序一致性正则化方法对所述深度神经网络模型进行参数的梯度更新，完成深度神经网络模型当前次训练并得到新参数；得到所述新参数后，返回提取所述序列任务集合中当前任务对应的当前数据集，利用所述损失函数算法对所述当前数据集进行计算得到总损失函数的步骤，进行模型的下一个数据集训练；当所述深度神经网络模型在所述序列任务合集上完成了所有序列任务的训练后，得到所述半监督类增量音频分类模型。
8.一种计算机设备，包括存储器和处理器，其特征在于，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1-6任一项所述基于半监督类增量学习的音频分类方法的步骤。
9.一种可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-6任一项所述基于半监督类增量学习的音频分类方法的步骤。
