深度置信网络综述：算法、理论和应用

深度置信网络综述：算法、理论和应用

**作者：**Xiaojun Chang, Shenglan Liu, Xianchao Zhang, and Zhiqiang Zhang

**出版物：**Neurocomputing

**发表日期：**2017年

**摘要：**深度置信网络（Deep Belief Networks，DBN）是一种深度学习模型，它可以自动地从大量未标记的数据中学习特征，并用于分类、聚类、降维等任务。本文对DBN的算法、理论和应用进行了综述。首先，介绍了DBN的基本原理和结构，并对其训练算法进行了详细的介绍，包括无监督预训练和有监督微调。其次，讨论了DBN的理论基础，包括概率生成模型、受限玻尔兹曼机、贝叶斯推理等。最后，介绍了DBN在图像识别、语音识别、自然语言处理等领域的应用，并展望了DBN未来的研究方向。

**链接：**https://www.sciencedirect.com/science/article/pii/S0925231217304638