神经网络预测编码器的设计及应用

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。