در این پژوهش سعی شده است الگوریتم بازپخش تجربه تاریک (DER)، به عنوان یک روش مقابله با فراموشی در یادگیری مستمر در شبکه‌های عصبی بهبود داده شود. اگر چه DER در بسیاری از معیارهای استاندارد یادگیری مستمر عملکرد خوبی دارد، اما به دلیل استفاده از نمونه‌گیری مخزنی و محدودیت‌های آن در سناریوهای خاص با تغییرات شدید داده‌ها و محیط‌های پویا ممکن است کارایی محدودی داشته باشد. همچنین اگر بافر بازپخش به اندازه کافی بزرگ یا متنوع نباشد، خطر فراموشی فاجعه‌بار وجود دارد. به منظور غلبه بر این محدودیت‌ها، یک رویکرد جدید مبتنی بر نمونه‌گیری تصادفی طبقه‌ای ارائه شده است. این رویکرد باعث حفظ تنوع و گستردگی نمونه‌ها در بافر بازپخش و کاهش فراموشی می‌شود. به منظور ارزیابی عملکرد روش پیشنهادی، از مجموعه داده استانداردSplit MNIST استفاده شد. نتایج ارزیابی نشان می‌دهد روش پیشنهادی با هر اندازه بافری دقت بالاتری نسبت به الگوریتم DER دارد. با این حال، سرعت الگوریتم DER در بافرهای بازپخش بزرگتر بیشتر است، در حالی که روش پیشنهادی در اندازه‌های کوچک‌تر بافر، سرعت بیشتری دارد. به ‌طور کلی، روش پیشنهادی دارای خطای کمتر و دقت بالاتری نسبت به الگوریتم DER است. بهترین نتیجه با اندازه بافر بازپخش 100 نشان می‌دهد الگوریتم پیشنهادی نسبت به DER، 10.1 درصد دقت بالاتر و 19.7 درصد سرعت بیشتری دارد.