歸一化方法(Normalization Method)

1。 把數(shù)變?yōu)?0，1)之間的小數(shù)

主要是為了數(shù)據(jù)處理方便提出來的，把數(shù)據(jù)映射到0～1范圍之內處理，更加便捷快速，應該歸到數(shù)字信號處理范疇之內。

2 。把有量綱表達式變?yōu)闊o量綱表達式

歸一化是一種簡化計算的方式，即將有量綱的表達式，經過變換，化為無量綱的表達式，成為純量。

比如，復數(shù)阻抗可以歸一化書寫：Z = R + jωL = R(1 + jωL/R) ，復數(shù)部分變成了純數(shù)量了，沒有量綱。

另外，微波之中也就是電路分析、信號系統(tǒng)、電磁波傳輸?shù)?#xff0c;有很多運算都可以如此處理，既保證了運算的便捷，又能凸現(xiàn)出物理量的本質含義。

標準化方法(Normalization Method)

數(shù)據(jù)的標準化是將數(shù)據(jù)按比例縮放，使之落入一個小的特定區(qū)間。由于信用指標體系的各個指標度量單位是不同的，為了能夠將指標參與評價計算，需要對指標進行規(guī)范化處理，通過函數(shù)變換將其數(shù)值映射到某個數(shù)值區(qū)間。一般常用的有以下幾種方法。

(1) 最小-最大規(guī)范化對原始數(shù)據(jù)進行線性變換。假定MaxA與MinA分別表示屬性A的最大與最小值。最小最大規(guī)范化通過計算將屬性A的值映射到區(qū)間[a, b]上的v。一般來說，將最小-最大規(guī)范化在用于信用指標數(shù)據(jù)上，常用的有以下兩種函數(shù)形式：

a) 效益型指標(越大越好型)的隸屬函數(shù)：

b) 成本型指標(越小越好型)的隸屬函數(shù)：

(2) z-score規(guī)范化也稱零-均值規(guī)范化。屬性A的值是基于A的平均值與標準差規(guī)范化。

(3) 小數(shù)定標規(guī)范化是通過移動屬性A的小數(shù)點位置來實現(xiàn)的。小數(shù)點的移動位數(shù)依賴于A的最大絕對值。

///

關于神經網絡歸一化方法的整理

由于采集的各數(shù)據(jù)單位不一致，因而須對數(shù)據(jù)進行[-1，1]歸一化處理，歸一化方法主要有如下幾種，供大家參考：(by james)

1、線性函數(shù)轉換，表達式如下：

y=(x-MinValue)/(MaxValue-MinValue)

說明：x、y分別為轉換前、后的值，MaxValue、MinValue分別為樣本的最大值和最小值。

2、對數(shù)函數(shù)轉換，表達式如下：

y=log10(x)

說明：以10為底的對數(shù)函數(shù)轉換。

3、反余切函數(shù)轉換，表達式如下：

y=atan(x)*2/PI

歸一化是為了加快訓練網絡的收斂性，可以不進行歸一化處理

歸一化的具體作用是歸納統(tǒng)一樣本的統(tǒng)計分布性。歸一化在0-1之間是統(tǒng)計的概率分布，歸一化在-1–+1之間是統(tǒng)計的坐標分布。歸一化有同一、 統(tǒng)一和合一的意思。無論是為了建模還是為了計算，首先基本度量單位要同一，神經網絡是以樣本在事件中的統(tǒng)計分別幾率來進行訓練(概率計算)和預測的，歸一 化是同一在0-1之間的統(tǒng)計概率分布；

當所有樣本的輸入信號都為正值時，與第一隱含層神經元相連的權值只能同時增加或減小，從而導致學習速度很慢。為了避免出現(xiàn)這種情況，加快網絡學習速度，可以對輸入信號進行歸一化，使得所有樣本的輸入信號其均值接近于0或與其均方差相比很小。

歸一化是因為sigmoid函數(shù)的取值是0到1之間的，網絡最后一個節(jié)點的輸出也是如此，所以經常要對樣本的輸出歸一化處理。所以這樣做分類的問題時用[0.9 0.1 0.1]就要比用[1 0 0]要好。

但是歸一化處理并不總是合適的，根據(jù)輸出值的分布情況，標準化等其它統(tǒng)計變換方法有時可能更好。

關于用premnmx語句進行歸一化：

premnmx語句的語法格式是：[Pn,minp,maxp,Tn,mint,maxt]=premnmx(P,T)

其中P，T分別為原始輸入和輸出數(shù)據(jù)，minp和maxp分別為P中的最小值和最大值。mint和maxt分別為T的最小值和最大值。

premnmx函數(shù)用于將網絡的輸入數(shù)據(jù)或輸出數(shù)據(jù)進行歸一化，歸一化后的數(shù)據(jù)將分布在[-1,1]區(qū)間內。

我們在訓練網絡時如果所用的是經過歸一化的樣本數(shù)據(jù)，那么以后使用網絡時所用的新數(shù)據(jù)也應該和樣本數(shù)據(jù)接受相同的預處理，這就要用到tramnmx。

下面介紹tramnmx函數(shù)：

[Pn]=tramnmx(P,minp,maxp)

其中P和Pn分別為變換前、后的輸入數(shù)據(jù)，maxp和minp分別為premnmx函數(shù)找到的最大值和最小值。

(by terry2008)

matlab中的歸一化處理有三種方法

1. premnmx、postmnmx、tramnmx

2. restd、poststd、trastd

3. 自己編程

具體用那種方法就和你的具體問題有關了

(by happy)

pm=max(abs(p(i,:))); p(i,:)=p(i,:)/pm;

和

for i=1:27

p(i,:)=(p(i,:)-min(p(i,:)))/(max(p(i,:))-min(p(i,:)));

end 可以歸一到0 1 之間

0.1+(x-min)/(max-min)*(0.9-0.1)其中max和min分別表示樣本最大值和最小值。

這個可以歸一到0.1-0.9

=============

數(shù)據(jù)類型相互轉換

這種轉換可能發(fā)生在算術表達式、賦值表達式和輸出時。轉換的方式有兩種：自動轉換和強制轉換。

========

自動轉換

自動轉換由編譯系統(tǒng)自動完成，可以將一種數(shù)據(jù)類型的數(shù)據(jù)轉換為另外一種數(shù)據(jù)類型的數(shù)據(jù)。

1)算術運算中的數(shù)據(jù)轉換

如果一個運算符有兩個不同類型的運算分量，C語言在計算該表達式時會自動轉換為同一種數(shù)據(jù)類型以便進行運算。先將較低類型的數(shù)據(jù)提升為較高的類型，從而使 兩者的數(shù)據(jù)類型一致(但數(shù)值不變)，然后再進行計算，其結果是較高類型的數(shù)據(jù)。 自動轉換遵循原則——“類型提升”：轉換按數(shù)據(jù)類型提升(由低向高)的方向進行，以保證不降低精度。 數(shù)據(jù)類型的高低是根據(jù)其類型所占空間的大小來判定，占用空間越大，類型越高。反之越低。 例如：算術運算x+y，如果x和y的類型都是int型變量，則x+y的結果自然是int型。如果x是short型而y是int型，則需要首先將x轉換為 int型，然后再與y進行加法計算，表達式的結果為int型。

2)賦值運算的類型轉換

在執(zhí)行賦值運算時，如果賦值運算符兩側的數(shù)據(jù)類型不同，賦值號右側表達式類型的數(shù)據(jù)將轉換為賦值號左側變量的類型。轉換原則是：當賦值運算符“=”右側表達式的值被計算出來后，不論是什么類型都一律轉換為“=”左側的變量的類型，然后再賦值給左側的變量。

例如：float a;

a=10;? /*結果為a=10.0(數(shù)據(jù)填充)*/

int a;

a=15.5 /* 結果為a=15(數(shù)據(jù)截取)*/

在賦值類型轉換時要注意數(shù)值的范圍不能溢出。既要在該數(shù)據(jù)類型允許的范圍內。如如果右側變量數(shù)據(jù)類型長度比左側的長時，將丟失一部分數(shù)據(jù)，從而造成數(shù)據(jù)精度的降低。

3)數(shù)據(jù)輸出時的類型轉換

在輸出時，數(shù)據(jù)將轉換為格式控制符所要求的類型。同樣可能發(fā)生數(shù)據(jù)丟失或溢出。類型轉換的實際情況是：字符型到整型是取字符的ASCII碼值；整型到字符 型只是取其低8位；實型到整型要去掉小數(shù)部分；整型到實型數(shù)值不變，但以實數(shù)形式存放；雙精度到實型是四舍五入的。

========

強制轉換

一般情況下，數(shù)據(jù)類型的轉換通常是由編譯系統(tǒng)自動進行的，不需要程序員人工編寫程序干預，所以又被稱為隱式類型轉換。但如果程序要求一定將某一類型的數(shù)據(jù) 從該種類型強制地轉換為另外一種類型，則需要人工編程進行強制類型轉換，也稱為顯式轉換。強制類型轉換的目地是使數(shù)據(jù)類型發(fā)生改變，從而使不同類型的數(shù)據(jù) 之間的運算能夠進行下去。

語法格式如下：

(類型說明符)表達式

功能是強行地將表達式的類型轉換為括號內要求的類型。

例如：(int)4.2的結果是4；

又如：int x；

(float)x；x的值被強制轉換為實型，但是并不改變的x類型是整型。只是在參與運算處理時按照實型處理。

======

線性函數(shù)轉轉講一系列數(shù)據(jù)映射到相應區(qū)間，例如將所有數(shù)據(jù)映射到 1~100

可用下列函數(shù)

y=((x-min)/(max-min))*(100-1)+1

1-100 范圍內

min是數(shù)據(jù)集中最小值，max是最大值

http://www.codeweblog.com/%E6%95%B0%E6%8D%AE%E5%BD%92%E4%B8%80%E5%8C%96-%E6%A0%87%E5%87%86%E5%8C%96%E7%9A%84%E5%87%A0%E7%A7%8D%E6%96%B9%E6%B3%95/

總結

以上是生活随笔為你收集整理的对数坐标归一化_数据归一化,标准化的几种方法的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。