關於神經網路歸一化方法的整理
由於採集的各資料單位不一致，因而須對資料進行[-1，1]歸一化處理，歸一化方法主要有如下幾種，供大家參
考：（by james）
1、線性函式轉換，表示式如下：
y=(x-minvalue)/(maxvalue-minvalue)
說明：x、y分別為轉換前、後的值，maxvalue、minvalue分別為樣本的最大值和最小值。
2、對數函式轉換，表示式如下：
y=log10(x)
說明：以10為底的對數函式轉換。
3、反餘切函式轉換，表示式如下：
y=atan(x)*2/pi
歸一化是為了加快訓練網路的收斂性，可以不進行歸一化處理
歸一化的具體作用是歸納統一樣本的統計分布性。歸一化在0-1之間是統計的概率分布，歸一化在-1--+1之間是
統計的座標分布。歸一化有同
一、統一和合一的意思。無論是為了建模還是為了計算，首先基本度量單位要同
一，神經網路是以樣本在事件中的統計分別機率來進行訓練（概率計算）和**的，歸一化是同一在0-1之間的
統計概率分布；
當所有樣本的輸入訊號都為正值時，與第一隱含層神經元相連的權值只能同時增加或減小，從而導致學習速度
很慢。為了避免出現這種情況，加快網路學習速度，可以對輸入訊號進行歸一化，使得所有樣本的輸入訊號其
均值接近於0或與其均方差相比很小。
歸一化是因為sigmoid函式的取值是0到1之間的，網路最後乙個節點的輸出也是如此，所以經常要對樣本的輸出
歸一化處理。所以這樣做分類的問題時用[0.9 0.1 0.1]就要比用[1 0 0]要好。
但是歸一化處理並不總是合適的，根據輸出值的分布情況，標準化等其它統計變換方法有時可能更好。
關於用premnmx語句進行歸一化：
premnmx語句的語法格式是：[pn,minp,maxp,tn,mint,maxt]=premnmx(p,t)
其中p，t分別為原始輸入和輸出資料，minp和maxp分別為p中的最小值和最大值。mint和maxt分別為t的最小值
和最大值。
premnmx函式用於將網路的輸入資料或輸出資料進行歸一化，歸一化後的資料將分布在[-1,1]區間內。
我們在訓練網路時如果所用的是經過歸一化的樣本資料，那麼以後使用網路時所用的新資料也應該和樣本資料
接受相同的預處理，這就要用到tramnmx。
下面介紹tramnmx函式：
[pn]=tramnmx(p,minp,maxp)
其中p和pn分別為變換前、後的輸入資料，maxp和minp分別為premnmx函式找到的最大值和最小值。
（by terry2008）
matlab中的歸一化處理有三種方法
1. premnmx、postmnmx、tramnmx
2. restd、poststd、trastd
3. 自己程式設計
具體用那種方法就和你的具體問題有關了
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 可以歸一到0 1 之間
0.1+(x-min)/(max-min)*(0.9-0.1)其中max和min分別表示樣本最大值和最小值。
這個可以歸一到0.1-0.9
關於神經網路歸一化方法的整理
標籤 matlab 神經網路 歸一化 2014 04 26 10 33 1205人閱讀收藏 舉報 問題 如何在matlab中用簡單點的方法實現矩陣歸一化，並落在0 1之間？歸一化方法很多，乙個比較簡單的 x min x max x min x 表示式如下 y x minvalue maxvalue ...
神經網路為什麼要歸一化
神經網路為什麼要歸一化 1.數值問題。無容置疑，歸一化的確可以避免一些不必要的數值問題。輸入變數的數量級未致於會引起數值問題吧，但其實要引起也並不是那麼困難。因為tansig的非線性區間大約在 1.7，1.7 意味著要使神經元有效，tansig w1 x1 w2 x2 b 裡的 w1 x1 w2 x...
神經網路要做歸一化的原因
見到乙個有意思的討論，在此複述。無容置疑，歸一化的確可以避免一些不必要的數值問題。輸入變數的數量級未致於會引起數值問題，因為tansig的非線性區間大約在 1.7，1.7 意味著要使神經元有效，tansig w1x1 w2x2 b 裡的 w1x1 w2x2 b 數量級應該在 1 1.7所在的數量級 ...