训练集， ，是一组由特征向量[F-(20)]的N个候选组成的，且分类的结果（C1和C2：血管和非血管）已知

 (2.22)

由于F中的 功能有非常不同的范围以及价值，这些功能是标准化到零均值和单位方差的独立应用

 (2.23)
 功能中 和 代表平均值和标准差参与计算了 .

一旦 建立，神经网络NN的训练是通过错误的解释进行权重连接。反向传播训练算法（参考文献[62]）被用于此方案。
 图2.5
2）神经网络的应用：在这个阶段，经过训练的神经网络NN是一个从“看不见”的眼底图像中生成的一个从视网膜背景中标识出血管的二进制图像，像素的数学描述为逐个通过全部神经网络NN，在我们的例子中，神经网络输入单位d调用由式(2.6)-(2.10),(2.19),(2.20)所提供的功能集。由式（2.23）正常化。因为逻辑的S形激活功能对应输出层的单一神经元，神经网络NN确定了一个0~1之间的阀值，因此，生产血管概率图显示该像素是血管的一部分的概率。由此产生的概率图对应图2.5（a）所示为数据库中的图像。 2.5（b）。在此图像中明亮的像素表示该像素血管像素的概率较高。为了获得血管二元抽取，通过一个真值Th决定一个特定的像素是否是血管的一部分。这样，分类程序将每个候选像素分类到类C1（血管）或C2（无血管）之中，这取决于如果其关联的概率是大于真值Th。因此， 输出图像[图2.5（c）]，关联类C1和C2的灰度值分别为255和0，在数学上 VC++视网膜血管自适应图像的抽取算法及其实现(6):http://www.youerw.com/jisuanji/lunwen_2157.html