基于RBM的深度学习算法 基于多层RBM模型，实现二分类学习算法，目前针对该问题是采用2层RBM,特征输入只有8维，效果并不理想。 功能框架： DBN.py：深度学习主框架，包括数据输入、输入sigmoid转换，RBM层堆叠，softmax层输出。 RBM.py：RBM层框架，包括gibss采样、交叉熵误差验证 dA.py:这个是降噪自动编码器，目前还在研究 SdA.py:，堆叠降噪自动编码器，目前仍在研究 HiddenLayer.py:隐层主要是权值计算与更新 util.py：这主要是最后的softmax函数计算及输出 normal_8.py：输入数据归一化到[0,1] train.txt:训练数据 text.txt:测试数据 基于复杂语言网络的文本分类： 这里面主要包括两部分，一部分是语言网络的生成，另一部分是语言网络的特征抽取。 第一部分采用的数据是twenty-news-group

详细的介绍了受限玻尔兹曼机的基本知识、公式推导。

PDF全文：./mcmc.pdf 论文中的源代码可以在这个存储库中找到。 马尔可夫链蒙特卡罗 (MCMC)是一种通过在复杂模型中模拟来估计统计量的技术。受限玻尔兹曼机（RBM）是机器学习领域的关键模型。然而，训练大型 RBM 模型将包括难以计算的配分函数，即 Z(θ)。这个问题引起了人们对使用 MCMC 方法进行估计的工作的兴趣。在本文中，我们首先进行了Metropolis-Hastings 算法，这是最流行的采样方法之一，并分析了它的正确性和性能，以及接受率的选择。然后我们实现三种算法：TAP、AIS、RTS, 来估计 RBM 模型的配分函数。我们的工作不仅介绍了可用的算法，而且系统地比较了它们之间的性能和差异。我们力求提供 MCMC 领域的整体观点

受限波尔茨曼机RBM_DBN深度学习网络训练和测试matlab仿真,数据库为随机数矩阵,可替换为其他数据库+包含程序操作视频 注意事项（仿真图预览可参考博主博客里面"同名文章内容"。）： 使用matlab2022a或者高版本仿真，运行文件夹中的tops.m。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。 具体操作观看提供的程序操作视频跟着操作。

dbn模型matlab代码

此代码是分类受限玻尔兹曼机 (ClassRBM) 的实现。 脚本“trueMinst2Dataset.m”在可由“trainingClassRBM.m”使用的matlab变量中加载MINST数据集。 脚本“trainingClassRBM.m”训练一个 ClassRBM。

深度学习笔记 - RBM.

计算机视觉-RBM学习MATLAB源码 受限玻尔兹曼机（restricted Boltzmann machine, RBM）是一种可通过输入数据集，学习概率分布的随机生成型神经网络。RBM最初由Paul Smolensky 于1986年提出，并将该模型命名为Harmonium(簧风琴)，后又由Geoffrey Hinton 教授改进发明了快速的训练算法才被广泛使用，并由此得名RBM。RBM主要可用于降维、分类、协同过滤、表征学习及神经网络预训练等场景。 受限玻尔兹曼机因该模型是玻尔兹曼机的简化版而得名。玻尔兹曼机是一种随机神经网络，得名于其使用到的分布为统计力学中的玻尔兹曼分布。受限玻尔兹曼机相对于玻尔兹曼机，其简化了网络中同层之间的相连条件，即不存在层内各节点的相互连接。这样，网络中同层的各节点之间就相互独立。

使用rbm根据现有数据为用户推荐电影。 输入需要自己编写。

用matlab代码实现的RBM模型，能够实现受限玻尔兹曼机的生成模型