正规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之间为统计概率分布,归一化在- 11之间为统计坐标分布。 规范化有同一、统一、一体化的含义。 无论是为了建模还是计算,首先基本的测量单位必须相同。 神经网络通过样本在事件中的统计个别概率进行训练(概率计算)和预测。 另外,sigmoid函数的取值在0到1之间。 由于网络中最后一个节点的输出也是如此,因此经常对样本的输出进行规范化处理。 归一化是0-1之间统一的统计概率分布,当所有样本输入信号为正值时,与第一隐式层神经元相关的权重只能同时增加或减少,学习速度变慢。 另外,数据中经常存在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这一特异的样本数据。 为了避免此类情形,并增加后续数据处理的便利性,以及为了加速网络学习速度,可将输入信号规范化以使所有样本的输入信号的平均值接近0或小于平均值。
在matlab中,用于归一化的方法有三种。
一、用matlab语言自己编程,通常使用的函数有以下几种:
1.线性函数转换,表达式如下:
y=(x-minvalue )/)/(MaxValue-MinValue ) )归一到0.1 ) x-min/(max-min ) * ) 0.1-0.9 )
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 二、premnmx、tramnmx、postmnmx、mapminmax
3358www.Sina.com/用于对网络输入数据或输出数据进行归一化,归一化后的数据为premnmx函数。
分布在[-1,1]区间内
[Pn,minp,maxp,Tn,mint,maxt]=premnmx(p,t )这里,p,t分别是原始的输入输出数据。
如果在网络培训中使用规范化的示例数据,则稍后使用premnmx语句的语法格式是:来使用网络。 这是3358www.Sina.com/
新数据也应该和样本数据接受相同的预处理
[PN]=tramnmx(p、minp、maxp )其中p和pn分别是转换前、转换后的输入数据,maxp和minp分别是在premnmx函数中找到的最大值和最小值。
网络输出结果需要tramnmx函数:,常用函数为tramnmx语句的语法格式是:。
反归一化还原成原始的数据
[PN]=postmnmx(p、minp、maxp )其中,p和pn分别是转换前、转换后的输入数据,maxp和minp分别是在premnmx函数中找到的最大值和最小值。
另一个函数是postmnmx,该函数是矩阵的postmnmx语句的语法格式是:
mapminmax
[y1,PS]=mapminmax(x1 )其中x1是需要归一化的矩阵y1是结果。
如果需要临时返回每一行归一到[-1 1].,可以通过以下方式使用mapminmax语句的语法格式是:
y2=mapminmax(apply )、x2、PS如果需要恢复集中数据,可以使用以下命令:
x1_again=mapminmax(reverse ),y1,PS )另外一组数据
做相同的归一
三、prestd、poststd、trastd
转载来源:
博主:古刹青灯
来源: CSDN
博文地址: https://blog.csdn.net/lucky 51222/article/details/41843175