神经网络是模仿人的神经系统信息处理功能而开发的一个智能化系统。它可以通过学习来获取外部的知识并存储在网络内,可以解决计算机不易处理的难题,特别是一系列本质上非计算的问题。如今,一些优秀的神经网络算法相继被提出,比如生成对抗网络;另外也有一些表现良好的混合神经网络,例如卷积循环神经网络。虽然不可否认的是,这些算法在很多应用领域都极大地提高了准确率,但同时,这些算法也使得神经网络在过分追求准确率的情况下而变得过于庞大和复杂,导致在某些情况下将不再适用。本文设计了一种混合神经网络模型,它将两种神经网络:稀疏降噪自编码(SDAE,Sparse Denoise Auto Encoder)和深度置信网络(DBN,Deep Belief Network)相结合,利用了稀疏降噪自编码较强的抽象性、鲁棒性和数据压缩能力,以及深度置信网络优异的特征表达能力。结合两种神经网络的优点,提出了本文的SDAE-DBN混合神经网络模型。该模型的核心是:首先,训练稀疏降噪自编码,利用稀疏降噪自编码来对数据进行特征的提取,并且进行数据的压缩;然后,将训练输出的数据传递给深度置信网络,训练深度置信网络;最后,使用反向传播(BP,Back Propagation)算法进行整体混合神经网络模型的微调。该模型同时还利用了稀疏降噪自编码和深度置信网络模型简单、框架相似的特点,从而保证了混合模型不会过于复杂。最后,针对股票预测和空气质量预测问题,基于本文提出的SDAE-DBN混合神经网络,利用收集的真实样本数据,搭建了相关的预测模型。同时将SDAEDBN混合神经网络预测模型与传统的深度神经网络模型如反向传播神经网络、自编码网络、深度置信网络、卷积神经网络等进行了对比试验,并对它们的准确率进行了比较和讨论。实验的应用结果表明,SDAE-DBN混合神经网络预测模型具有较好的准确性以及稳定性,体现了其与传统深度神经网络相比的优越性,证明了其可以为类似的预测项目提供一定的借鉴性,说明其具有一定的应用价值。