玻尔兹曼机网络

玻尔兹曼机网络（Boltzmann machine network），工学-控制科学与工程-智能控制-智能控制-模糊控制-人工神经网络，由美国学者G.E.辛顿（G.E.Hinton）和T.J.塞诺夫斯基（T.J.Sejnowski）提出的一种随机递归神经网络，起源于统计物理学，因样本分布遵循玻尔兹曼分布而被命名为玻尔兹曼机网络。玻尔兹曼机网络是一种对称耦合的随机反馈型二值单元神经网络，由可见层和多个隐含层组成，网络节点分为可见单元和隐单元。用可见单元和隐单元来表达随机网络与随机环境的学习模型，通过权值表达单元之间的相关性。玻尔兹曼机网络是一种基于能量函数的建模方法，能够描述变量之间的高阶相互作用，其学习算法较复杂，所建模型和学习算法有比较完备的物理解释和严格的数理统计理论作基础。玻尔兹曼机网络有多种结构，其中应用比较广泛的是受限玻尔兹曼机网络，它是一个双向概率图模型，只有可见层节点与隐含层节点之间有连接权，而可见层节点与可见层节点之间没有连接权，隐含层节点与隐含层节点之间没有连接权。相对来说，受限玻尔兹曼机因各层内部神经元之间没有连接，网络拓扑结构简单。