21、生物启发式网络分类性能与单图像去雾方法

生物启发式网络分类性能与单图像去雾方法

1. 生物启发式网络分类性能

1.1 独立子空间的生成

为了提高分类性能，基于生物启发的皮层模型开发了分层网络。从第一层输出的非线性变量（如 $x^2$、$x^3$、$x^4$ 等）由特定方程生成，然后在第二层生成第一层输出的乘积项组合。通过线性（L）和非线性操作（如平方（S）、三次方（T）、四次方（F）等）创建输出项的组合，从这些组合项中选择优化项以实现良好的分类性能。利用小波正交基创建选择性独立子空间。

1.2 分层网络中的高维映射代码

对于分类类别中的离群数据，新的独立性（通常称为稀疏编码）很有用。扩展分层网络中实现的高维代码由第一层网络中的原子乘积组成。例如，第一层中的原子可以用小波基集表示，假设数据是归一化或二进制值，第一层非对称网络中的原子也可以相应确定。

输入矩阵包括高维映射项的独立性是网络中的一个有用因素。以修改后的 XOR 问题为例，该问题应用于非对称网络。通过生成高维基，目标输入 (111) 可以改变到特定类别。为实现这一操作，生成两个高维代码并求和：
$w_1 \cdot \sin(x_1) \sin(x_4)^2 + w_2 \cdot \sin(x_1) \cos(x_2) \sin(x_4)^2$
在这种情况下，只有 (101) 是最近邻输入，与 (111) 产生独立关系，从而得到优化权重 $w_1 = -1.96$ 和 $w_2 = 1.96$。

同样，通过创建三个高维基，可以改变输入 (000) 的类别，相应的表达式为：
$w_1 \cdot \cos(x’) \cos(x’)^2 + w_2 \cdot \si