设一个具有Ｑ层的ＢＰ人工神经网络（Ａｒｔｉｆｉｃｉａｌ

Ｎｅｕｒａｌ

输出响应则为：

Ｎｅｔｗｏｒｋ，ＡＮＮ），如图１所示。其中第一层为输入层，第Ｑ！

一

，，（神：“，（。，１一

。

（２）

层为输出层，中间各层为隐藏层。’又设第ｑ（ｑ＝ｌ，２，３’．． ，Ｑ）１＋ｅ一一ｙ

层的节点个数为嘞，第ｑ层的第ｉ个神经元与第ｑ一１层各神ｚ：神——神经网络的第ｑ层的第ｉ输入信号；经元连接的各连接权系数为蛳；那么节点ｉ的输入为

ｙ：驴——神经网络的第ｑ层的第ｉ输出信号。

’０１

叠９’一∑澎’ｙ，（ｑ－－１）

’

（１）

■期望输出Ｌ信号向量

●一佰号ｌ司萤

（导师信号）

误差反传（学习算法）

图１ＢＰ人工神经网络结构图

设输入输出样本的个数为Ｐ组，其中ｐ＝（１，２，３，…，

２．１神经网络结构的确定

Ｐ）。ｚ；０）＝Ｌｌ－ｚ，（０－’瑚’礤’，…，耀：］１’，为系统输入激活样本，以

输入层是数据的缓冲存储器，其作用是把数据源加载到一［础’础’础’，．． ，砝：］１’，为系统输出响应的目标值。

网络上，节点数可以由图像特征向量的维数确定。输出层节输出响应就与期望响应进行比较，得到误差信号已，该

点数由类别数多少确定，图像分割中可以定为２，用以输出目信号作为学习信号沿与前向路径相反的方向回传，同时逐层标图像与非目标图像。隐藏层的层数和节点数的选取有不同修改连接权系数，直到修正完所有层问的连接权系数，从而完的观点，根据ＡＪ．Ｍａｒｅｎ等人的观点，只要单隐藏层的节点成一个学习过程。即

个数足够多，一个隐藏层即可达到多隐藏层的功能，接点数可１

Ｐ’塑查

Ｅ２专蔷互（如一妒）２２善Ｂ

（３）

以由公式（６）确定【５］：

．，＝“瓦千万＋ｎ

（６）

那么

其中优为输入层节点个数，咒为输出层节点个数，口为１～ｌＯ

Ｂ＝专堇（盔一妒）２

．（４）

之间的常数。

权系数矩阵的修正是基于以下公式进行迭代的：

２．２神经网络结构的改进

在对神经网络进行训练的过程中，训练样本的原始数值

∥（ｆ＋１）一∥（￡）＋叩嚣

（５）

变化范围可能非常大。某些特定情况下，一个输入模式中最呀为系统的“学习效率”，Ｅ为系统响应误差。

大值与最小值之间数值可能相差几千倍，如不进行归一化处理，便会产生“大数吃小数”的现象，严重影响样本对网络的训

２基于ＢＰ人工神经网络的图像分割器

练效果。因此，必须对输入模式进行归一化处理，使其变化返由于ＢＰ网络具有高度非线性关系的映射能力，可实现

回限定在一定的数值范围内。由此在输入层和隐藏层之间加Ｍ维欧氏空间（输入层单元数）到Ｎ维欧氏空间（输出层单元

入归一化层。

数）的任意映射［２１。在图像分割中，就是实现由Ｊ维特征模式为了使输出结果与原始数值保持一致，在加入了归一化到０类分类结果的映射。实际应用过程中更可以将分类结层之后，必须在输出层之后对应地加入一个数值还原层。这果简化为２类：目标图像与非目标图像。

样，传统的ＢＰ神经网络结构变成如图２所示。

期望输出

信号向量

（导师信号）

误差反传（学习算法）

图２改进的ＢＰ人工神经网络结构

２．３

ＢＰ神经网络的图像分割基本训练输出结果，然后将这个结果与实际值进行比较，得到误差信号对神经网络的训练就是利用已经明确分类结果的训练样作为导师信号，用以指导网络连接权重的改变。

本，将输入模式从输入层进入网络，经过网络计算，从输出层

在图像分割训练中，输入样本就是原始图像，期望输出就

万方数据

２３５