1 .线性归一化
简单的公式表示： y=(x-minvalue )/)/(max Value-min Value ) ) ) ) ) ) ) ) )。
这里，x是归一化前的数据，y是归一化后的数据，max Value和min Value分别对应于这个组中的最大值和最小值。 范围： [ 0，1 ]。
应用：在一定范围内均匀缩放原始数据，不涉及距离测量或协方差计算时使用。
2 .标准差归一化
简单公式表示： y=(x-) /
其中，x、y分别对应于归一化前后的数据。 表示该数据的平均差，表示该数据的方差。
应用：原始数据与机智的银耳汤分布相近。 同时测量距离。
3 .对数归一化
简单的公示表达： y=log10(x )
其中，x、y分别对应于归一化前后的数据。
4 .逆余切正规化
简单的公示表现： y=atan(x ) *2/pi
其中，x、y分别对应于归一化前后的数据。 反正切函数的范围为[0，/2]，因此用反正切得到的值乘以2除以，将范围抑制为[ 0，1 ]
5 .映射最小
这是用matlab封装的方法，是一种线性正则化。
表达式为y=(ymax-ymin ) ) *(x-xmin )/(xmax-xmin ) ymin
其中，x、y分别对应于归一化前后的数据。 xmax、xmin分别对应于处理前的数据的最大值和最小值，优选ymax、ymin为处理后的数据的最大值和最小值，换言之为处理后的数据的范围。 matlab中的使用方法包括： [matlab_minmax_data，S1]=mapminmax(minmax_data )；
matlab_minmax_data是处理后的矩阵，s1是mapminmax操作的索引，可以输出观看。 minmax_data是处理前的数据。
简单matlab代码的实现
%%初始数据部分
%未处理的数据data
data=[ 1，3，9，20，2，6； ]；
%获取的数据数，即矩阵中的列数。
数据_ l=size (数据，2 )；
%%用线性函数归一化
分配%内存空间
minmax_data=Zeros(1，data_l )；
for n=1:data_l
%当前值减去最小值，除以最大值最小值之差
minmax_data(3360，n ) (数据) :n )-min (数据)/(max (数据)-min (数据) ) )；
结束
输出%结果
线性归一化；
DISP(minmax_data；
进行%%标准偏差的正规化
分配%内存空间
zscore_data=Zeros(1，data_l )；
for m=1:data_l
%当前值减去平均值除以标准偏差
zscore_data(:m ) ) data ) :m )-mean (data ) )/STD (data )；
结束
输出%结果
disp (标准差正规化)；
DISP(zscore_data；
%%对数正规化
分配%内存空间
log_data=Zeros(1，data_l )；
for n=1:data_l
log_data(3360，n )=log10 ) data (:n )；
结束
输出%结果
disp (对数正规化)；
disp(log_data )；
%%进行逆馀音正规化
分配%内存空间
atan_data=Zeros(1，data_l )；
for n=1:data_l
%逆剩余函数的范围为[0，/2]，因此用逆剩余函数得到的值乘以2除以，将范围抑制为[ 0，1 ]
atan_data(3360，n )=atan ) data (:n ) *2/pi；
结束
输出%结果
disp (反余切正规化)；
disp(Atan_data )；
映射最小最大正则化
[matlab_minmax_data，S1]=mapminmax(minmax_data )；
输出%结果
最大最小归一化(disp )；
disp(MATLAB_minmax_data；
输出%规范化索引
最大最小归一化索引(disp )；
DISP(S1；