神经网络预测编码器的设计及应用

对Bayer图像当前像素的预测可用下面两式表示：

其中：(k，l)∈{(一3，O)，(一2，一1)，(一2，O)，(一1，一2)，(一l，一1)，(一1，O)，(O，一3)，(O，一2)，(O，一1)}，x(i，j)为当前像素的真实值；互(i，j)是当前像素的预测值，e(i，j)是预测误差。预测函数f用神经网络实现。因此，输入层有9个神经元。而网络的输出即是神经网络预测器对当前像素的预测值，因此输出层有1个神经元。
实际上，隐含层神经元数取决于训练样本数的多少、噪声量的大小及网络学习的输入一输出函数关系或分类关系的复杂程度。对许多应用场合均适用的一条有关确定隐结点数的规则即所谓的几何金字塔规则(geometric pyramidrule)：从输入层到输出层，结点数不断减少，其形好似金字塔，如图4所示。

本文通过大量实验，最终确定神经网络预测器的第一隐含层具有9个神经元，第二隐含层具有6个神经元。至此，神经网络预测器结构已经确定，如图5所示。

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：