《数据归一化方法》由会员分享，可在线阅读，更多相关《数据归一化方法（5页珍藏版）》请在金锄头文库上搜索。
1、数据归一化汇总=归一化化定义：我是这样认为的，归一化化就是要把你需要处理的数据经过处理后（通过某种算法）限制在你需要的一定范围内。首先归一化是为了后面数据处理的方便，其次是保正程序运行时收敛加快。在 matlab 里面，用于归一化的方法共有三种:（1）premnmx、postmnmx、tramnmx（2）prestd、poststd、trastd（3）是用 matlab 语言自己编程。premnmx 指的是归一到1 1,prestd 归一到单位方差和零均值。（3）关于自己编程一般是归一到0.1 0.9 。具体用法见下面实例。为什么要用归一化呢？首先先说一个概念，叫做奇异样本数据，所谓奇异样本数
2、据数据指的是相对于其他输入样本特别大或特别小的样本矢量。下面举例：m=0.11 0.15 0.32 0.45 30;0.13 0.24 0.27 0.25 45;其中的第五列数据相对于其他 4 列数据就可以成为奇异样本数据（下面所说的网络均值 bp）。奇异样本数据存在所引起的网络训练时间增加，并可能引起网络无法收敛，所以对于训练样本存在奇异样本数据的数据集在训练之前，最好先进形归一化，若不存在奇异样本数据，则不需要事先归一化。具体举例：close allclearecho onclc%BP 建模%原始数据归一化 m_data=1047.92 1047.83 0.39 0.39 1.0 3500
3、 5075;1047.83 1047.68 0.39 0.40 1.0 3452 4912;1047.68 1047.52 0.40 0.41 1.0 3404 4749;1047.52 1047.27 0.41 0.42 1.0 3356 4586;1047.27 1047.41 0.42 0.43 1.0 3308 4423;1046.73 1046.74 1.70 1.80 0.75 2733 2465;1046.74 1046.82 1.80 1.78 0.75 2419 2185;1046.82 1046.73 1.78 1.75 0.75 2105 1905;1046.73 104
4、6.48 1.75 1.85 0.70 1791 1625;1046.48 1046.03 1.85 1.82 0.70 1477 1345;1046.03 1045.33 1.82 1.68 0.70 1163 1065;1045.33 1044.95 1.68 1.71 0.70 849 785;1044.95 1045.21 1.71 1.72 0.70 533 508;1045.21 1045.64 1.72 1.70 0.70 567 526;1045.64 1045.44 1.70 1.69 0.70 601 544; 1045.44 1045.78 1.69 1.69 0.70
5、635 562;1045.78 1046.20 1.69 1.52 0.75 667 580;%定义网络输入 p 和期望输出 tpauseclcp1=m_data(:,1:5);t1=m_data(:,6:7);p=p1;t=t1;pn,minp,maxp,tn,mint,maxt=premnmx(p,t)%设置网络隐单元的神经元数(530 验证后 5 个最好） n=5;%建立相应的 BP 网络pauseclcnet=newff(minmax(pn),n,2,tansig,purelin,traingdm);inputWeights=net.IW1,1;inputbias=net.b1;lay
6、erWeights=net.IW1,1;layerbias=net.b2;pauseclc% 训练网络net.trainParam.show=50;net.trainParam.lr=0.05;net.trainParam.mc=0.9;net.trainParam.epochs=200000;net.trainParam.goal=1e-3;pauseclc%调用 TRAINGDM 算法训练 BP 网络net=train(net,pn,tn);%对 BP 网络进行仿真A=sim(net,pn);E=A-tn;M=sse(E)N=mse(E)pauseclcp2=1046.20 1046.05
7、 1.52 1.538 0.75;1046.05 1046.85 1.538 1.510 0.75;1046.85 1046.60 1.510 1.408 0.75;1046.60 1046.77 1.408 1.403 0.75; 1046.77 1047.18 1.403 1.319 0.75;p2=p2;p2n=tramnmx(p2,minp,maxp);a2n=sim(net,p2n);a2=postmnmx(a2n,mint,maxt)echo offpauseclc程序说明：所用样本数据（见 m_data）包括输入和输出数据，都先进行归一化，还有一个问题就是你要进行预测的样本数据(
8、见本例 p2)在进行仿真前，必须要用 tramnmx 函数进行事先归一化处理，然后才能用于预测，最后的仿真结果要用 postmnmx 进行反归一，这时的输出数据才是您所需要的预测结果。个人认为：tansig、purelin、logsig 是网络结构的传递函数，本身和归一化没什么直接关系，归一化只是一种数据预处理方法。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、MinV
9、alue 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
10、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,ma
11、xt=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
12、找到的最大值和最小值。matlab 中的归一化处理有三种方法1. premnmx、postmnmx、tramnmx2. 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=1:27p(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
13、 0.1-0.9补充一个吧， 归一还可以用 mapminmax。这个函数可以把矩阵的每一行归一到-1 1. y1,PS = mapminmax(x1). 其中 x1 是需要归一的矩阵 y1 是结果当需要对另外一组数据做归一时，比如 SVM 中的 training data 用以上方法归一，而 test data 就可以用下面的方法做相同的归一了y2 = mapminmax(apply,x2,PS)当需要把归一的数据还原时，可以用以下命令x1_again = mapminmax(reverse,y1,PS)作者：sunxiao顶一个吧，建议修改笑脸，哈哈作者：yingzhilian应大家要求，笑脸改掉了作者：ljling很好啊，还没看完，支持作者：menglv17好东东，顶起！作者：yinjj总结得不错哟！:D作者：26925596支持 五星级你的回复和评价是我发帖的动力！:D Last edited by yingzhilian on 2009-6-9 at 20:55
