用于人类活动识别的深度学习（和机器学习） CNN，DeepConvLSTM，SDAE和LightGBM的Keras实施，用于基于传感器的人类活动识别（HAR）。 该存储库包含卷积神经网络（CNN）[1]，深度卷积LSTM（DeepConvLSTM）[1]，堆叠降噪自动编码器（SDAE）[2]和用于人类活动识别（HAR）的Light GBM的keras（tensorflow.keras）实现。 ）使用智能手机传感器数据集， UCI智能手机[3]。 表1.在UCI智能手机数据集上的五种方法之间的结果摘要。 方法 准确性 精确 记起 F1分数 轻型GBM 96.33 96.58 96.37 96.43 CNN [1] 95.29 95.46 95.50 95.47 DeepConvLSTM [1] 95.66 95.71 95.84 95.72 SDAE [

深度学习的matlab工具箱，包括DBN,堆叠去噪自编码器SDAE和NN，文档中有解释每个函数的pdf文件。清晰易懂非常好用，分享在这里

行业分类-金融管理-一种基于深度学习SDAE理论的三维人脸识别算法及其在金融领域应用.zip

SDAE(stacked denoised auto encoder)堆栈去噪自编码器matlab版本源码，我的帖子详细介绍了一些函数的功能。 https://blog.csdn.net/whatwho_518/article/details/80842664

采用Python编写的堆叠自编码器（SDAE）,可用于特征学习、模式分类等场景

使用matlab实现了两层堆栈去噪自编码器/SDAE网络。没有使用deep learninng的任何工具箱，对于理解网络架构和训练过程很有帮助