基于深度置信网络(DBN)回归预测，深度置信网络DBN回归预测，matlab代码。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

基于粒子群算法优化深度置信网络(PSO-DBN)的数据回归预测，优化参数为隐藏层节点数目，反向迭代次数，反向学习率，利用交叉验证抑制过拟合问题，matlab代码。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

基于麻雀算法优化深度置信网络(SSA-DBN)的数据回归预测，优化参数为隐藏层节点数目，反向迭代次数，反向学习率，利用交叉验证抑制过拟合问题，matlab代码。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

基于麻雀算法优化深度置信网络(SSA-DBN)的分类预测，优化参数为隐藏层节点数目，迭代次数，学习率。 多特征输入单输出的二分类及多分类模型。程序内注释详细，直接替换数据就可以用。 程序语言为matlab，程序可出分类效果图，迭代优化图，混淆矩阵图。

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真

详细的介绍了受限玻尔兹曼机（RBM）和深度置信网络(DBN)，看完你就知道什么是深度置信网络了。侵删。

1、结合DBN和ELM的改进DBN-ELM模型 2、文件matlab：包含改进算法的matlab实现 3、mnist: 包含ELM、DBN、DBN-ELM算法在mnist数据集上的表现 4、Skin_NonSkin: 包含ELM、DBN、DBN-ELM算法在Skin_NonSkin数据集上的表现 5、文件python：包含改进算法的python实现 运行环境MATLAB2018b及以上

基于深度置信网络的多输入单输出回归预测（DBN）（Matlab完整程序和数据） 1.data为数据集，格式为excel，7个输入特征，1个输出特征； 2.MainDBN.m为主程序文件，运行即可，其他为函数文件，无需运行； 3.命令窗口输出R2、MAE和MBE； 4.运行版本为2018及以上

用户投诉预测模型能有效地降低电信用户投诉率，对企业提高用户满意度和竞争力有着至关重要的作用。在模型训练过程中，由于人工设计特征的缺陷和设计过程中存在难以预估的复杂性，使得模型预测的精度和设计特征的效率不能有很大的提升。针对上述问题，提出了一种基于深度学习的用户投诉预测模型。该模型通过深层网络特征学习单元能从电信用户原始数据中自动学习到适合分类器分类的高层非线性组合特征，并将这些高层特征输入到传统分类器中来提高模型的精度。通过实验结果分析，预测模型在AUC指标上比以往用户投诉模型提升了7.1%，证明了该模型自动学习特征的有效性和深度学习在电信大数据领域的可用性。

深度置信网络、受限波尔曼兹机原文PDF