《归一化全面总结.doc》由会员分享，可在线阅读，更多相关《归一化全面总结.doc（6页珍藏版）》请在金锄头文库上搜索。
1、1、 信号处理工具箱中经常使用的是nyquist频率，它被定义为采样频率的一半，在滤波器的阶数选择和设计中的截止频率均使用nyquist频率进行归一化处理。例如对于一个采样频率为1000hz的系统，400hz的归一化频率就为400/500=08。归一化频率范围在0,1之间。如果将归一化频率转换为角频率，则将归一化频率乘以2*pi；如果将归一化频率转换为hz，则将归一化频率乘以采样频率的一半。2、我在网上下载一个BP网络的教案，里面举了个例子，但是上面的数据归一化我没有看明白。原始数据如下：月份123456销量205623952600229816341600月份789101112销量187314
2、781900150020461556然后他就得出了：%以每三个月的销售量经归一化处理后作为输入 P=0.51520.81731.0000 ; 0.81731.00000.7308; 1.00000.73080.1390; 0.73080.13900.1087; 0.13900.10870.3520; 0.10870.35200.0000;请问他是怎么归一化出这些数据的？谢谢 了，归一化前P应为P1=2056 2395 2600； 2395 2600 2298； 2600 2298 1634； 2298 1634 1600； 1634 1600 1873； 1600 1873 1478；取P1
3、中最大元素和最小元素分别为Pmax=2600，Pmin=1478，则归一化后P的对应元素值为P=(P1-Pmin)/(Pmax-Pmin)。 3、用zscore，标准化的目的是：使得平均值为0，标准差为1，这样可以使不同量纲的数据放在一个矩阵. A=magic(4)A = 16 2 3 13 5 11 10 8 9 7 6 12 4 14 15 1 Z,MU,SIGMA = zscore(A)Z = 1.3770 -1.2509 -1.0585 0.8262 -0.6426 0.4811 0.2887 -0.0918 0.0918 -0.2887 -0.4811 0.6426 -0.8262
4、1.0585 1.2509 -1.3770MU = 8.5000 8.5000 8.5000 8.5000SIGMA = 5.4467 5.1962 5.1962 5.4467 mean(Z)ans = 1.0e-016 * -0.2776 0 0 0.5551 std(Z)ans = 1.0000 1.0000 1.0000 1.00004、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)/(M
5、axValue-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
6、，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
7、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pre
8、mnmx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、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。
9、这个可以归一到0.1-0.95、归一化说白了就是：每个数都除以同一个数得到的结果就是 归一化后的值至于你提的问题 怎么归一化 只需要倒回去做一下除法就可以了2.5/0.3125=82.5+3.5+0.5+1.5=8，2.5/8=0.3125，3.5/8=0.4375，0.5/8=0.0625，1.5/8=0.1875.这个归一化就是将括号里面的总和变成1.然后写出每个数的比例6、什么是归一化频率？就是把你的采样频率设为1，其它的频率按它的百分比表示。有时频率的范围会非常的大，使用时会很不方便，将之归一化后就转换到0,1之间了。这样做实现了一个统一的标准，有利于比较各个频率的分布情况。归一化的另
10、一个目的是防止数据的溢出。7、a=1,1,4,3,2;1,1,3,2,1;1/4,1/3,1,1,1/3;1/3,1/2,1,1,1/2;1/2,1,3,2,1;N,M=size(a);b=ones(1,M); %1矩阵c=b;d=c;for i=1:M c(i)=prod(a(i,:);%每行元素乘积 d(i)=c(i)(1/M);%求M次方根 b(i)=c(i)/sum(c);%归一化处理endb%特征向量lamda=sum(a*b)./(N.*b)在MATLAB中输入的时候呢？直接把这个复制进去？（N,M)=size(a); %看这个矩阵的长宽B=zeros(N,M); %设置一个同样长
11、宽的零矩阵for i=1:M %循环，每一列都相同操作b(:,i)=a(:,i)/sum(a(:,i) %每列都除以这列每项的和，并赋值给b相对应列end %循环结束b %输出b8、归一化方法有两种形式，一种是把数变为（0，1）之间的小数，一种是把有量纲表达式变为无量纲表达式把数变为（0，1）之间的小数主要是为了数据处理方便提出来的，把数据映射到01范围之内处理，更加便捷快速，应该归到数字信号处理范畴之内。例1：2.5 3.5 0.5 1.5归一化后变成了0.3125 0.4375 0.0625 0.1875解：2.5+3.5+0.5+1.5=8，2.5/8=0.3125，3.5/8=0.43
12、75，0.5/8=0.0625，1.5/8=0.1875.这个归一化就是将括号里面的总和变成1.然后写出每个数的比例。把有量纲表达式变为无量纲表达式归一化是一种简化计算的方式，即将有量纲的表达式，经过变换，化为无量纲的表达式，成为纯量。比如，复数阻抗可以归一化书写：Z = R + jL = R(1 + jL/R) ，复数部分变成了纯数量了，没有量纲。另外，微波之中也就是电路分析、信号系统、电磁波传输等，有很多运算都可以如此处理，既保证了运算的便捷，又能凸现出物理量的本质含义。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
13、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/PI4、式(1)将输入值换算为-1,1区间的值，在输出层用式(2)换算回初始值，其中 和分别表示训练样本集中负荷的最大值和最小值。在统计学中，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。归一化化定义：归一化就是要把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
14、便，其次是保正程序运行时收敛加快。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，归一化在某个区间上是统计的坐标分布。归一化有同一、统一和合一的意思。如果是区间上的值，则可以用区间上的相对位置来归一化，即选中一个相位参考点，用相对位置和整个区间的比值或是整个区间的给定值作比值，得到一个归一化的数据，比如类似于一个概率值0=p=1；如果是物理量，则一般可以统一度量衡之后归一，实在没有统一的方法，则给出一个自定义的概念来描述亦可；如果是数值，则可以用很多常见的数学函数进行归一化，使它们之间的可比性更显然，更强，比如对数归一，指数归一，三角or反三角函数归一等，归一的目的可能是使得没有可比性的数据变得具有可比性，但又还会保持相比较的两个数据之间的相对关系，如大小关系，大的仍然大，小的仍然小，或是为了作图，原来很难在一张图上作出来，归一化后就可以很方便的给出图上的相对位置等；从集合的角度来看，可以做维度的维一，即抽象化归一，把不重要的，不具可比性的集
