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。

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

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

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