SAR已成为漏油监测的重要手段之一。 但是，溢油和相似点的特征是SAR图像上有黑点。 它们具有相似或相同的反向散射系数和灰度值，很容易产生混淆。 针对此问题，本文提出了一种深度学习模型-深度信念网络（DBN），该模型使用DBN来区分漏油，相似物和水。 在实验中，从三个SAR溢油图像中收集了900张图像，以形成一个小的样本空间数据集。 提取了诸如Tamura和灰度梯度共生矩阵之类的两种纹理特征，并选择了具有良好区分特征的特征向量作为模型的输入数据。 最后，将分类结果与传统的机器学习方法（BP，SVM）进行比较。 实验结果表明，本文提出的DBN模型在分类精度上优于这些分类器。

随着模式识别技术的发展与应用，睡眠自动分期方法正在逐渐取代手动分期研究。文章使用深度置信网络（Deep Belief Network, DBN）和长短时记忆递归神经网络(Long ShortTerm Memory Recurrent Neural Network, LSTMRNN)这两种方法对眼电(Electrooculogram, EOG)通道的数据进行睡眠自动分期。LSTMRNN方法(平均准确率83.4%)相对DBN(平均准确率75.6%)在基于眼电信号的睡眠分期问题上取得了更好的效果。

本程序使用dbn对图像进行处理，历城是对于mnist数据集的。

DBN-for-regression-master源码.rar

神经网络基础知识讲解，包括自动编码器和深度神经网络，卷积神经网络，递归神经网络，限制波尔兹曼机和深度置信网络等和matlab代码程序

一维DBN算法程序matlab可运行

主要使用pytorch 实现的DBN网络，用于对数据做回归，单个数据维度为（N，21），其中N为不定长，输出则为（N,1），对应N个值

深度置信网络（Deep Belief Network）python代码实现，亲测可用

深度学习工具箱

深度网络（DBN）的简单指导代码