规范化的具体作用是总结统一样本的统计分布性。 归一化在0-1之间是统计概率分布,归一化在-1-- 1之间是统计坐标分布。 规范化有相同、统一、整合的意义。 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,数据中总是存在奇异样本数据,奇异样本数据的存在可能会增加网络训练时间,从而导致网络不收敛。 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 .线性函数变换。 公式如下。
y=(x-minvalue )/)/(MaxValue-MinValue ) (归一到0一之间) ) ) ) ) ) ) )。
y=0.1(x-min )/)/(max-min ) ) 0.9-0.1 );回归1到0.1-0.9之间) ) )。
说明: x、y分别为转换前、转换后的值,MaxValue、MinValue分别为采样的最大值和最小值。
2 .对数函数转换。 公式如下。
y=log10(x )
说明:以10为底的对数函数转换。
3 .反馀切函数变换,公式如下:
y=atan(x ) *2/PI
trong>二、premnmx、tramnmx、postmnmx、mapminmaxpremnmx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。
premnmx语句的语法格式是:[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。
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函数:
tramnmx语句的语法格式是:[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函数找到的最大值和最小值。
网络输出结果需要进行反归一化还原成原始的数据,常用的函数是:postmnmx。
postmnmx语句的语法格式是:[PN] = postmnmx(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函数找到的最大值和最小值。
还有一个函数是mapminmax,该函数可以把矩阵的每一行归一到[-1 1].
mapminmax语句的语法格式是:[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,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)
三、prestd、poststd、trastd
prestd归一到单位方差和零均值。
pminp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。