关于神经网络(matlab)归一化的整理

1、关于神经网络( matlab )归一化的整理 关于神经网络归一化方法的整理 由于采集的各数据单位不一致， 因而须对数据进行 -1 ，1归一化处理， 归一化方法主要有如 下几种，供大家参考： ( by james)1、线性函数转换，表达式如下： y=(x-MinValue)/(MaxValue-MinValue) 说明： x、 y 分别为转换前、后的值， MaxValue 、 MinValue 分别为样本的最大值和最小值。2、对数函数转换，表达式如下： y=log10(x) 说明：以 10 为底的对数函数转换。3、反余切函数转换，表达式如下：y=atan(x)*2/PI归一化是为了加快训练网络的

2、收敛性，可以不进行归一化处理 归一化的具体作用是归纳统一样本的统计分布性。 归一化在 0-1 之间是统计的概率分布， 归 一化在 -1-+1 之间是统计的坐标分布。归一化有同一、统一和合一的意思。无论是为了建模 还是为了计算， 首先基本度量单位要同一， 神经网络是以样本在事件中的统计分别几率来进 行训练(概率计算)和预测的，归一化是同一在0-1 之间的统计概率分布；当所有样本的输入信号都为正值时，与第一隐含层神经元相连的权值只能同时增加或减小， 从而导致学习速度很慢。 为了避免出现这种情况， 加快网络学习速度， 可以对输入信号进行 归一化，使得所有样本的输入信号其均值接近于0 或与其均方差相比

3、很小。归一化是因为 sigmoid 函数的取值是 0到 1 之间的，网络最后一个节点的输出也是如此，所 以经常要对样本的输出归一化处理。所以这样做分类的问题时用0.9 0.1 0.1 就要比用 1 0 0要好。但是归一化处理并不总是合适的， 根据输出值的分布情况， 标准化等其它统计变换方法有时 可能更好。关于用 premnmx 语句进行归一化：premnmx 语句的语法格式是： Pn,minp,maxp,Tn,mint,maxt=premnmx(P,T)其中 P，T 分别为原始输入和输出数据， minp 和 maxp 分别为 P 中的最小值和最大值。 mint 和 maxt 分别为 T 的最小

4、值和最大值。premnmx 函数用于将网络的输入数据或输出数据进行归一化， 归一化后的数据将分布在 -1,1 区间内。我们在训练网络时如果所用的是经过归一化的样本数据， 那么以后使用网络时所用的新数据 也应该和样本数据接受相同的预处理，这就要用到tramnmx 。下面介绍 tramnmx 函数： Pn=tramnmx(P,minp,maxp) 其中 P 和 Pn 分别为变换前、 后的输入数据， maxp 和 minp 分别为 premnmx 函数找到的最大 值和最小值。( by terry2008 )matlab 中的归一化处理有三种方法1. premnmx 、 postmnmx 、 tram

5、nmx2. restd、 poststd、 trastd3. 自己编程具体用那种方法就和你的具体问题有关了(by happy ) pm=max(abs(p(i,:); p(i,:)=p(i,:)/pm; 和 for i=1:27 p(i,:)=(p(i,:)-min(p(i,:)/(max(p(i,:)-min(p(i,:); end 可以归一到 0 1 之间 0.1+(x-min)/(max-min)*(0.9-0.1) 其中 max 和 min 分别表示样本最大值和最小值。 这个可以归一到 0.1-0.9 mapminmax 归一化原文地址：有关 mapminmax 的用法详解作者： fa

6、ruto 有关 mapminmax 的用法详解= 外一篇有关 mapminmax 的用法详解by faruto=几个要说明的函数接口 : Y,PS = mapminmax(X) Y,PS = mapminmax(X,FP) Y = mapminmax('apply',X,PS) X = mapminmax('reverse',Y ,PS)用实例来讲解 ,测试数据 x1 = 1 2 4, x2 = 5 2 3;>> y,ps = mapminmax(x1)y =-1.0000 -0.3333 1.0000 ps =name: 'mapminma

7、x' xrows: 1xmax: 4xmin: 1xrange: 3 yrows: 1ymax: 1ymin: -1 yrange: 2其中y是对进行某种规范化后得到的数据，这种规范化的映射记录在结构体ps中让我们来看一下这个规范化的映射到底是怎样的 ?AlgorithmIt is assumed that X has only finite real values， and that the elements of each row are not all equal.y = (ymax-ymin)*(x-xmin)/(xmax-xmin) + ymin;关于此算法的一个问题 .算法

8、的假设是每一行的元素都不想相同，那如果都相同怎么办 ?实现的办法是 ，如果有一行的元素都相同比如xt = 1 1 1， 此时 xmax = xmin = 1， 把此时的变换变为y = ymin，matlab 内部就是这么解决的 .否则该除以 0 了，没有意义 !也就是说对 x1 = 1 2 4 采用这个映射 f: 2*(x-xmin)/(xmax-xmin)+(-1)， 就可以得到 y = -1.0000 -0.3333 1.0000我们来看一下是不是 : 对于 x1 而言 xmin = 1，xmax = 4;则 y(1) = 2*(1 - 1)/(4-1)+(-1) = -1;y(2) =

9、2*(2 - 1)/(4-1)+(-1) = -1/3 = -0.3333;y(3) = 2*(4-1)/(4-1)+(-1) = 1;看来的确就是这个映射来实现的 .对于上面 algorithm 中的映射函数其中 ymin， 和 ymax 是参数 ，可以自己设定 ，默认为 -1，1;比如 :>>y，ps = mapminmax(x1); >> ps.ymin = 0;>> y，ps = mapminmax(x1，ps) y =0 0.3333 1.0000ps =name: 'mapminmax'xrows: 1xmax: 4xmin: 1

10、xrange: 3yrows: 1ymax: 1 ymin: 0yrange: 1则此时的映射函数为：f: 1*(x-xmin)/(xmax-xmin)+(0),是否是这样的这回你可自己验证 .0( A _ n )0如果我对 x1 = 1 2 4 采用了某种规范化的方式 , 现在我要对 x2 = 5 2 3采用同样的规范化方 式同样的映射 ,如下可办到 :>> y1,ps = mapminmax(x1);>> y2 = mapminmax('apply',x2,ps)y2 =1.6667 -0.3333 0.3333即对x1采用的规范化映射为：f: 2*(x-1)/(4-1)+(-1),(记录在ps中),对x2也要采取这个映射 x2 = 5,2,3, 用这个映射我们来算一下 .y2(1) = 2(5-1)/(4-1)+(-1) = 5/3 = 1+2/3 = 1.66667y2(2) = 2(2-1)/(4-1)+(-1) = -1/3 = -0.3333y2(3) = 2(3-1)/(4-1)+(-1) = 1/3 = 0.3333X = mapmi nmax(&#