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