Deep belief network

在計算機科學中，卷積深度信念網絡（英語：convolutional deep belief network；CDBN）是一種深度人工神經網絡，由多層卷積受限玻爾茲曼機堆疊在一起組成。它是一種用於深度學習的分層生成模型，在圖像處理和物件識別（英语：Outline of object

学家。现任职于牛津大学统计学系和计算机系，他的主要研究内容为统计学习。此前他曾在伦敦大学学院研究机器学习。 郑宇怀是深度信念网络（deep belief network）和层次狄利克雷过程（Hierarchical Dirichlet proces）的最初开发者之一。 Homepage （页面存档备份，存于互联网档案馆）

反应之间的关系以及大脑中的神经元的电活动之间的关系。 至今已有數种深度学习框架，如深度神经网络、卷积神经网络和深度置信网络（英语：Deep belief network）和循环神经网络已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并取得了极好的效果。

非監督式學習常使用的方法有很多種，包括： 分群法 K-平均演算法 混合模型 層次聚類 異常檢測 自編碼 深度置信网络（英语：Deep belief network） 赫布學習 生成對抗網路 自組織映射 學習潛在變數模型的方法 最大期望演算法 矩估計 盲信號分離技術，例如： 主成份分析 獨立成份分析

1999. Deep belief networks （页面存档备份，存于互联网档案馆） at Scholarpedia. Hinton, G. E.; Osindero, S.; Teh, Y. W. A Fast Learning Algorithm for Deep Belief Nets (PDF)