神经网络预测编码器的设计及应用

2．3 传输函数

在神经网络图像处理中，常使用的传输函数有两大类：

(1)线性传输函数；
(2)非线性传输函数。

线性传输函数的变换较简单，其输出相对于输入呈线性增长，因而函数输入范围较小，且它不具有可微分性，这对于具有非线性特性的图像信息来说并不适用。经典的BP算法采用sigmoid函数，其输出的动态范围为[O，1]，sigmoid和其导数为式1和式2：

Tawel等提出了一种动态调整温度系数的方法，即在sigmoid函数中加入阈值和温度系数，如式3所示：

式中θ称为阚值，λ称为温度系数。

2．4 权值和阈值的初始化

权值和偏置值的初始化一般有如下几种方法：

(1)随机初始化。
(2)逐步搜索法。
(3)根据Nguyen-Widrow初始化算法为层产生初始权重和偏置值，使得每层神经元的活动区域能大致平坦的分布在输入空间。

2．5 输入样本

采集数据样本时主要考虑两方面：

(1)数据样本要充分。
(2)减小数据样本的冗余度。

本文设计神经网络预测器时，采用的训练图像都是和测试图像类似的自认图像，包括人物，建筑物，风景，动植物等24bits的全彩色图像，这些全彩图像采用CFA图像。然后将每幅CFA训练图像转化成的归一化的输入训练的80％作为训练样本，其余的20％作为验证样本。

2．6 归一化

即通过简单的线性变换，将网络的输入和输出数据化为[O，1]区间或[一1，1]区间的数。
通过大量试验并结合所采用的传输函数的特性发现将输入输出限制在[O．2，O．9]网络可以取得较好的预测效果，归一化方法如式4所示：

式中，x即原始输入，x′是归一化后的输入。

网络得到预测值时，按式5即可将预测结果映射到[O，255]之间：

式中，net是神经网络预测器的输出，y是映射后的输出。

3 实验结果分析

训练好的多层前馈网络，具有预测评价功能。可将多层前传网络看作一"黑箱"，将由实测获得的输入和输出数据作为样本送入"黑箱"中让其学习，各输入变量对输出变量的影响在对样本的学习过程中由"黑箱"自动记录下来。由于节点神经元传递函数是非线性的，因此，"黑箱"也具有非线性。整个学习过程就是预测模型的建立过程，只要节点数和训练样本数足够多，"黑箱"便能实现对任意输入的输出预测。

由表1可以看出由于神经网络预测器可以利用不同色分量的像素间的相关性和高阶特性，以及神经网络本身的非线性，它得到的误差图像的熵的平均值最低，为5．2408，证实了神经网络预测器相对于结构分离法和插值法的有效性，同时其结构简单，易于硬件实现。