关于数据集的注释： 使用一个简单的脚本将原始的.mat图像和基本事实转换为.txt文件。 数据目录包含这些.txt文件的示例（但不是全部）。 原始.mat文件可以从[Palis Vasco大学]（ ）获得。 使用注意事项： DBN_writeparams旨在替代DBN。 DBN仅由DBN_example使用。 DBN对象的参数应在DBN_writeparams和DBN_example中匹配（例如n_ins，hidden_​​layers_sizes，n_outs）。 去做： 在DBN_example中创建一个模块，用于加载训练后的权重和偏差。

用于情感分析的模糊深度信念网络FDBN,提高了精度.zip

传统的深度信念网络规模大、难度大、训练时间长，导致其故障诊断的时间较长。针对该问题，提出了一种基于贝叶斯正则化深度信念网络的电力变压器故障诊断方法。采用贝叶斯正则化算法改进传统深度信念网络的训练性能函数，在保证网络精度的同时快速提高计算速度，从而提高网络的收敛速度。实验结果表明，经过贝叶斯正则化改进后，深度信念网络训练的泛化能力得到了提高，同时故障诊断的准确率也得到了保证。

DBN 深度信念网络在Tensorflow中的实现

提出一种基于集成深度学习模型的情感状态检测方法.首先从脑电信号的时域、频域和时频域中提取4种表征情绪状态显著信息的初始特征;然后使用胶质细胞链改进的深度信念网络分别提取这些特征的高层抽象表示;最后利用判别式受限玻尔兹曼机对高层抽象特征进行融合,进行情感状态预测.在DEAP数据集上进行的实验显示,胶质链能够挖掘和利用EEG不同通道之间的相关性信息,而集成深度学习模型能够有效集成EEG信号在时域、频域和时频域蕴含的情感状态相关的显著性信息.

我国城市轨道交通已进入快速发展期,准确预测城轨交通短时客流量,对于城轨运营安全、运营效率及运营成本具有重要意义.城轨交通短时客流量由于具有强随机性、周期性、相关性及非线性的特征,浅层模型的预测精度并不理想.对此,基于深度信念网络(DBN)和支持向量回归机(SVM),提出城轨交通短时客流深层预测模型(DBN-P/GSVM),同时基于遗传算法(GA)和粒子群算法(PSO)实现SVM的参数寻优.最后,对成都地铁火车北站客流量预测进行实例分析.结果表明,DBN-P/GSVM深度预测模型在均方误差、均方根误差、绝对误差均值及绝对百分比误差均值等方面均优于浅层模型——GA-SVM模型、PSO-SVM模型和BP神经网络模型,以及深层模型长短期记忆网络(LSTM)与LSTM-Softmax.

dbn matlab代码deep_autoencoder 深度信念网络自动编码器 这种深层信念的网络自动编码器基于Ruslan Salakhutdinov和Geoff Hinton（）以及相关的MATLAB代码（）的工作。 我已将其翻译为PyTorch，并合并了GPU计算以使其运行更快。 操作很简单。 使用多个受限的Boltzmann机器层初始化DBN对象，例如dbn = DBN（visible_units = 512，hidden_​​units = [256，128]）将初始化具有512个输入神经元和两个RBM层的DBN对象，其中一个具有256个输出神经元，其中一个具有128个输出神经元。 然后对网络进行预训练，例如dbn.pretrain（data，labels，num_epochs），其中data是火炬。大小的张量（num_samples x num_dimensions），labels是火炬.size的标签的张量（num_samples），以及num_epochs是整数，表示要预训练每个RBM层多少个时期。 接下来，对网络进行微调，例如dbn.fine_tuning（data

matlab精度检验代码具有'MATLAB'，'MEX'，'CUDA'版本的卷积深度信念网络 该程序是卷积深度信任网络的实现。 在此代码中，均支持二进制和高斯可见类型。 此外，CUDA加速也包括在内。 我们提供了一些演示程序来演示代码的用法。 要求 操作系统：Ubuntu 10.04（64位）（仅在此平台上进行测试） GNU C / C ++编译器 Matlab的 CUDA 5.0或以上 建造 将路径更改为“ CDBN /工具箱/ CDBNLIB / mex” 编辑“ Makefile”，将“ MATLAB_DIR”和“ CUDA_DIR”修改为正确的路径。 make 运行程序 运行'setup_toolbox.m'; 运行“ DemoCDBN_Binary_2D.m”或“ DemoCDBN_Gaussian_2D.m” 实验 我们对mnist数据（2000个火车数据和2000个测试数据）中的“卷积深度信任网络”，“深度信任网络”和“定向Softmax”进行了分类实验。 这三种方式的详细参数可以在代码中找到。 比较结果（准确性）如下： 测试数据中未添加任何噪声：CDBN：95.1％DB

运行 testDNN 试试！ 每个功能都包含说明。 请检查一下！ 它提供了堆叠受限玻尔兹曼机 (RBM) 的深度信念网络 (DBN) 的深度学习工具。 它包括 Bernoulli-Bernoulli RBM、Gaussian-Bernoulli RBM、用于无监督预训练的对比发散学习、稀疏约束、用于监督训练的反向投影和 dropout 技术。 MNIST 数据集的示例代码包含在 mnist 文件夹中。 请参阅 mnist 文件夹中的 readme.txt。 Hinton 等人，通过防止特征检测器的共同适应来改进神经网络，2012 年。 Lee 等人，视觉区域 V2 的稀疏深度信念网络模型，NIPS 2008。 http://read.pudn.com/downloads103/sourcecode/math/421402/drtoolbox/techniques/train_rbm.m__

迁移学习，故障诊断，近期发表的期刊论文