深度置信网络（Deep belief network）matlab初解

本文布局如下：首先是本文的基本思想，然后结合实例给出程序输入输出接口，然后是每个程序所起的作用，之后是具体每个程序的matlab实现，再之后是相关的备注；
一、基本思想
1、首先引入实例，然后训练深度置信网络，然后进行测试；
2、深度置信网络的训练中，首先进行初始化参数和网络结构，然后依据RBM来训练DBN中每一层的网络参数，然后将训练得到的参数作为深度神经网络的每一层参数，之后使用常规的BP神经网络扩展而来的深度神经网络方法，对深度神经网络的参数进行更新；
3、RBM层与层之间的实现：将上一层的隐层输出作为当前层的可视层输入
4、RBM层内的训练方法：生成有多个样本组成的批次，然后依据对比散度方法（Contrastive Divergence -1）使用概率函数反复生成隐层和可视层的显隐性（v1-h1-v2-h2），然后据此求解该层的各类型参数（权重W，可视层偏置b，隐层偏置c）的增量及最后值
二、输入输出接口
本文以MNIST手写数字识别为研究对象，输入的是10000幅像素为28*28的手写图片，输出的是图片所属的类别（1-10，这10个数字）
对于其他例子，分类问题，亦是如此
三、相关函数
1、function test_example_DBN：主程序，导入样本集，用于训练和测试生成神经网络
2、function dbn = dbnsetup(dbn, x, opts)：对于DBN中多层限制玻尔兹曼机（Restricted Boltzmann Machine）的参数初始化
3、function dbn = dbntrain(dbn, x, opts)：训练DBN网络，对DBN中多层RBM中的每一层RBM进行训练
4、function rbm = rbmtrain(rbm, x, opts)：具体实现每一层RBM的参数求解
5、function x = rbmup(rbm, x)：在上一层RBM求解完毕后，将上一层中的隐层输出作为本层可视层输入
6、function nn = dbnunfoldtonn(dbn, outputsize)：将生成的多层RBM转换成多层的神经网络（这里看出所训练的RBM起的主要作