Tawel等提出了一種動態(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稱為闞值，λ稱為溫度系數。
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初始化算法為層產生初始權重和偏置值，使得每層神經元的活動區(qū)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。
本文設計神經網絡預測器時，采用的訓練圖像都是和測試圖像類似的自認圖像，包括人物，建筑物，風景，動植物等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
即通過簡單的線性變換，將網絡的輸入和輸出數據化為[O，1]區(qū)間或[一1，1]區(qū)間的數。
通過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]網絡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。
網絡得到預測值時，按式5即可將預測結果映射到[O，255]之間：

式中，net是神經網絡預測器的輸出，y是映射后的輸出。

3 實驗結果分析
訓練好的多層前饋網絡，具有預測評價功能。可將多層前傳網絡看作一“黑箱”，將由實測獲得的輸入和輸出數據作為樣本送入“黑箱”中讓其學習，各輸入變量對輸出變量的影響在對樣本的學習過程中由“黑箱”自動記錄下來。由于節(jié)點神經元傳遞函數是非線性的，因此，“黑箱”也具有非線性。整個學習過程就是預測模型的建立過程，只要節(jié)點數和訓練樣本數足夠多，“黑箱”便能實現對任意輸入的輸出預測。

由表1可以看出由于神經網絡預測器可以利用不同色分量的像素間的相關性和高階特性，以及神經網絡本身的非線性，它得到的誤差圖像的熵的平均值最低，為5．2408，證實了神經網絡預測器相對于結構分離法和插值法的有效性，同時其結構簡單，易于硬件實現。