對Bayer圖像當前像素的預測可用下面兩式表示：

其中：(k，l)∈{(一3，O)，(一2，一1)，(一2，O)，(一1，一2)，(一l，一1)，(一1，O)，(O，一3)，(O，一2)，(O，一1)}，x(i，j)為當前像素的真實值；互(i，j)是當前像素的預測值，e(i，j)是預測誤差。預測函數(shù)f用神經網(wǎng)絡實現(xiàn)。因此，輸入層有9個神經元。而網(wǎng)絡的輸出即是神經網(wǎng)絡預測器對當前像素的預測值，因此輸出層有1個神經元。
實際上，隱含層神經元數(shù)取決于訓練樣本數(shù)的多少、噪聲量的大小及網(wǎng)絡學習的輸入一輸出函數(shù)關系或分類關系的復雜程度。對許多應用場合均適用的一條有關確定隱結點數(shù)的規(guī)則即所謂的幾何金字塔規(guī)則(geometric pyramidrule)：從輸入層到輸出層，結點數(shù)不斷減少，其形好似金字塔，如圖4所示。

本文通過大量實驗，最終確定神經網(wǎng)絡預測器的第一隱含層具有9個神經元，第二隱含層具有6個神經元。至此，神經網(wǎng)絡預測器結構已經確定，如圖5所示。

2．3 傳輸函數(shù)
在神經網(wǎng)絡圖像處理中，常使用的傳輸函數(shù)有兩大類：
(1)線性傳輸函數(shù)；
(2)非線性傳輸函數(shù)。
線性傳輸函數(shù)的變換較簡單，其輸出相對于輸入呈線性增長，因而函數(shù)輸入范圍較小，且它不具有可微分性，這對于具有非線性特性的圖像信息來說并不適用。經典的BP算法采用sigmoid函數(shù)，其輸出的動態(tài)范圍為[O，1]，sigmoid和其導數(shù)為式1和式2：