神經(jīng)網(wǎng)絡(luò )預測編碼器的設計及應用

Tawel等提出了一種動(dòng)態(tài)調整溫度系數的方法，即在sigmoid函數中加入閾值和溫度系數，如式3所示：

式中θ稱(chēng)為闞值，λ稱(chēng)為溫度系數。
2．4 權值和閾值的初始化
權值和偏置值的初始化一般有如下幾種方法：
(1)隨機初始化。
(2)逐步搜索法。
(3)根據Nguyen-Widrow初始化算法為層產(chǎn)生初始權重和偏置值，使得每層神經(jīng)元的活動(dòng)區域能大致平坦的分布在輸入空間。
2．5 輸入樣本
采集數據樣本時(shí)主要考慮兩方面：
(1)數據樣本要充分。
(2)減小數據樣本的冗余度。
本文設計神經(jīng)網(wǎng)絡(luò )預測器時(shí)，采用的訓練圖像都是和測試圖像類(lèi)似的自認圖像，包括人物，建筑物，風(fēng)景，動(dòng)植物等24bits的全彩色圖像，這些全彩圖像采用CFA圖像。然后將每幅CFA訓練圖像轉化成的歸一化的輸入訓練的80％作為訓練樣本，其余的20％作為驗證樣本。
2．6 歸一化
即通過(guò)簡(jiǎn)單的線(xiàn)性變換，將網(wǎng)絡(luò )的輸入和輸出數據化為[O，1]區間或[一1，1]區間的數。
通過(guò)大量試驗并結合所采用的傳輸函數的特性發(fā)現將輸入輸出限制在[O．2，O．9]網(wǎng)絡(luò )可以取得較好的預測效果，歸一化方法如式4所示：

式中，x即原始輸入，x′是歸一化后的輸入。
網(wǎng)絡(luò )得到預測值時(shí)，按式5即可將預測結果映射到[O，255]之間：

式中，net是神經(jīng)網(wǎng)絡(luò )預測器的輸出，y是映射后的輸出。

3 實(shí)驗結果分析
訓練好的多層前饋網(wǎng)絡(luò )，具有預測評價(jià)功能?？蓪⒍鄬忧皞骶W(wǎng)絡(luò )看作一“黑箱”，將由實(shí)測獲得的輸入和輸出數據作為樣本送入“黑箱”中讓其學(xué)習，各輸入變量對輸出變量的影響在對樣本的學(xué)習過(guò)程中由“黑箱”自動(dòng)記錄下來(lái)。由于節點(diǎn)神經(jīng)元傳遞函數是非線(xiàn)性的，因此，“黑箱”也具有非線(xiàn)性。整個(gè)學(xué)習過(guò)程就是預測模型的建立過(guò)程，只要節點(diǎn)數和訓練樣本數足夠多，“黑箱”便能實(shí)現對任意輸入的輸出預測。

由表1可以看出由于神經(jīng)網(wǎng)絡(luò )預測器可以利用不同色分量的像素間的相關(guān)性和高階特性，以及神經(jīng)網(wǎng)絡(luò )本身的非線(xiàn)性，它得到的誤差圖像的熵的平均值最低，為5．2408，證實(shí)了神經(jīng)網(wǎng)絡(luò )預測器相對于結構分離法和插值法的有效性，同時(shí)其結構簡(jiǎn)單，易于硬件實(shí)現。