✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。
🍎个人主页：Matlab科研工作室
🍊个人信条：格物致知。
更多Matlab仿真内容点击👇
⛄ 内容介绍
深度置信网络(DeepBeliefNetwork,DBN)属于生成性深度学习结构。其可获取观测数据和相应类别的联合概率分布，能方便地预测先验概率和后验概率[2]。DBN网络可看作是多个RBM的叠加，第一个RBM的输入作为全局输入量，隐层输出作为下一层RBM的输入，最后一层RBM的输出为全局输出。在层叠RBM时，在输入端采用RBM连接，在输出段采用BP网络连接。DBN经过训练后的错误率仅为2.25%，具有较好的识别效果。BP网络通常结构是输入层，隐层和输出层构成。其训练由输入的前向传播以及误差的反馈传播构成。在正向传播结果和预期不符时，计算输出值与预期值的差值，并且按照梯度下降方式矫正连接权值，此过程直到网络输出误差满足要求为止。RBM(RestrictedBoltzmannMachine)，是一种生成性概率模型，包括一个隐层和一个可视层。隐层单元与可视层单元通过权值矩阵和偏置向量全连接，层内单元不相互连接。RBM可以用来建模概率数据，能量函数和联合概率分布公式如下：RBM采用贪心逐层训练方式，每一层的参数训练好之后便将其固定，作为下一层RBM的可视层，训练下一层的参数，如此循环训练直到DBN所包含的所有RBM训练完毕。本文首先利用DBN预训练的权值和阈值对BP网络进行初始化，以获得更快的速度和更好的效果，然后利用Dropout技术对BP算法进行改进，提高算法速度与鲁棒性[3]。本文用DBN识别算法进行研究，并采用MNIST数据库手写体图像数据进行训练和测试。
⛄ 部分代码
function labels = loadMNISTLabels(filename)
%loadMNISTLabels returns a [number of MNIST images]x1 matrix containing
%the labels for the MNIST images
fp = fopen(filename, 'rb');
assert(fp ~= -1, ['Could not open ', filename, '']);
magic = fread(fp, 1, 'int32', 0, 'ieee-be');
assert(magic == 2049, ['Bad magic number in ', filename, '']);
numLabels = fread(fp, 1, 'int32', 0, 'ieee-be');
labels = fread(fp, inf, 'unsigned char');
assert(size(labels,1) == numLabels, 'Mismatch in label count');
fclose(fp);
end
⛄ 运行结果
⛄ 参考文献
[1]黄浩然. 基于集成学习的MINIST手写数字识别[J]. 电子制作, 2018(18):3.
[2]张秀玲, 来永进, 高武杨,等. 基于DBN神经网络的板形识别研究[C]// 第35届中国控制会议. 0.
