【内容】 1.顶盖驱动流模拟 2.二维D2Q9 3.C++语言，可以轻松改为其他语言 4.导出流场数据（.dat)，可轻松处理 【适用】 1.LBM新手，初次接触LBM代码的人 2.研究与顶盖驱动流类似问题的人

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.

关于RBM受限玻尔兹曼机的一篇学习文献。感觉作者还是讲得比较好的就共享一下了

matlab精度检验代码LB-t-平行3D格子-玻尔兹曼CFD求解器 作者：（2019年12月-2020年12月） 概述 这是一个基于C ++ 17和C的面向任意晶格（针对任意数量的速度和空间尺寸）的面向对象的并行晶格-玻尔兹曼计算流体动力学（CFD）求解器框架。 这些文件包括用于Intel Compiler ICC和Gnu Compiler GCC的Makefile。 安装 Linux（推荐） 复制此文件夹或通过键入直接克隆此存储库 $ git clone https://github.com/2b-t/LB-t.git 通过键入Make编译文件 $ make run 在Linux Shell中，或在中打开LB-t.cbp文件。 如果您遇到问题，请确保已安装Make sudo apt-get install build-essential且您的GCC版本大于8。您可以通过键入sudo apt install gcc-10来安装较新的GCC。 如果要将编译器更改为Intel编译器，请首先通过打开控制台并键入以下命令，确保系统上已安装Intel编译器集合。 $ icc -v 如果它在您的

Ferziger J.H., Kaper H.G. 文件格式是djvu，网上可以找到阅读器，请自行查找。

受限玻尔兹曼机RBM,ppt

本文包括RBM的所有基础知识。代码可以见hinton的文章 玻尔兹曼机（BMS）是一种特殊的对数线性马尔可夫随机场（MRF）的形式，即，其能量函数在其自由参数的线性空间里。使他们强大到足以代表复杂的分布，我们考虑到一些变量是没有观察到（他们称为隐藏）。通过更多的隐藏变量（也称为隐藏的单位），我们可以增加的玻尔兹曼机的建模能力（BM）。受限玻尔兹曼机进一步限制BMS中那些可见-可见和隐藏-隐藏的连接。本文是一个RBM的描述。

张量流 深度玻纤编码器的分层预训练的受限玻尔兹曼机的Tensorflow实现。 这是的分支，并进行了一些更正和改进。 受限玻尔兹曼机是一种遗留机器学习模型，不再在任何地方使用。 该存储库仅具有历史和教育价值。 我已经使用更新了代码以在现代系统上运行，但是我将不再维护它。 安装 git clone https://github.com/meownoid/tensorfow-rbm.git cd tensorfow-rbm python -m pip install -r requirements.txt python setup.py 例子 Bernoulli-Bernoulli RBM适用于Bernoulli分布的二进制输入数据。 例如，MNIST。 要训​​练模型，只需构造tf.data.Dataset其中包含形状为(n_visible,)向量(n_visible,)并将其传递给fi

概述 这是用Python编写的 RBM 学习算法的简单实现，它使用numpy包来加速矩阵计算。 路线 要使用默认参数在 MNIST 数据集上运行 RBM 学习算法，请键入 python rbm.py 否则您可以自己指定所有参数 python rbm.py 这将在训练示例上训练 RBM，然后尝试在给定学习权重的情况下重建测试图像。 原始测试图像和重建的测试图像都将保存在Output/文件夹中。 依赖关系 请注意，此项目需要 Python 3.x 才能运行。 它还需要numpy包。

光伏发电功率受自然环境影响具有明显的波动性、间歇性与随机性，对光伏发电进行短期功率的概率预测可以有效缓解给电网调度、能量管理等方面带来的诸多不利影响。提出一种基于改进深度受限玻尔兹曼机(RBM)算法的光伏发电短期功率概率预测模型，通过灰色关联系数法寻找待预测日的相似日，并利用遗传算法对RBM算法进行参数优化，避免模型参数寻优陷入局部最优，以提高预测模型的预测精度。仿真算例表明，所提模型可以更好地反映光伏发电功率的概率分布。