音频应用是二维图像分类问题的一维简化。音素（例如）是图像特征（例如边缘或圆）的音频模拟。在任何一种情况下，这些特征都具有重要的局部性：它们的特征在于图像位置或语音时刻的相对较小邻域内的值。卷积是局部邻域内值的一种受控的、规则的加权平均形式。由此产生了一种希望，即 DBN 的卷积形式可以成功地识别和区分有意义的特征。

在将卷积 RBM 应用于音频数据的情况下，作者首先进行了短期傅里叶变换，然后在频谱上定义了能带。然后他们在转换后的音频上应用了卷积 RBM。