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，数据中总是存在奇异的样本数据，奇异的样本数据的存在增加了网络训练时间，从而可能导致网络不收敛。 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。
)1)用matlab语言自己编程时，通常使用的函数如下。
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
)2) premnmx、tramnmx、postmnmx、mapminmax
premnmx函数用于标准化网络的输入或输出数据，标准化数据分布在[-1，1 ]区间。
premnmx语句的语法格式为[Pn、minp、maxp、Tn、mint、maxt]=premnmx(p，t )，其中p，t分别是原始输入/输出数据。
如果在网络培训中使用规范化的示例数据，则以后使用网络时使用的新数据也必须经过与示例数据相同的预处理。 这使用tramnmx函数。
tramnmx语句的语法格式为[pn]=tramnmx(p，minp，maxp )
这里，p和PN分别是变换前、变换后的输入数据，maxp和minp分别是在premnmx函数中找到的最大值和最小值。
网络输出结果必须反向规范化并恢复为原始数据。 常用的函数是postmnmx。
postmnmx语句的语法格式为[pn]=postmnmx(p，minp，maxp )
这里，p和PN分别是变换前、变换后的输入数据，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mapminmax，该函数可以将矩阵的各行组合为[-1 1]。
mapminmax语句的语法格式为[y1，PS]=mapminmax(x1 )
这里x1是需要正规化的矩阵y1是结果。
如果需要临时汇总其他组的数据，可以按以下方式进行汇总
y2=映射最小(应用)、x2、PS ) )。
如果需要恢复集中式数据，可以使用以下命令：
x1_again=mapminmax('reverse '，y1，PS ) ) ) ) ) ) ) ) ) )。
)3) prestd、poststd、trastd
prestd归单位方差和零均值。
pminp和maxp分别是p中的最小值和最大值。 mint和maxt分别是t的最小值和最大值。