归一化全面总结.docxVIP

1、 信号处理工具箱中经常使用的是 nyquist频率，它被定义为采样频率的一半，在滤波器的阶 数选择和设计中的截止频率均使用 nyquist频率进行归一化处理。例如对于一个采样频率为 1000hz的系统，400hz的归一化频率就为 400/500=0 . 8。归一化频率范围在［0,1］之间。如 果将归一化频率转换为角频率，则将归一化频率乘以 2*pi ;如果将归一化频率转换为 hz , 则将归一化频率乘以采样频率的一半。 2、 我在网上下载一个 BP网络的教案，里面举了个例子，但是上面的数据归一化我没有看 明白。原始数据如下： 月份 1 2 3 4 5 6 销量 2056 2395 2600 2298 1634 1600 月份 7 8 9 10 11 12 销量 1873 1478 1900 1500 2046 1556 然后他就得出了： %以每三个月的销售量经归一化处理后作为输入 P=[0.5152 0.8173 1.0000 0.8173 1.0000 0.7308; 1.0000 0.7308 0.1390; 0.7308 0.1390 0.1087; 0.1390 0.1087 0.3520; 0.1087 0.3520 0.0000;]; 请问他是怎么归一化出这些数据的？谢谢 了, 归一化前P应为 P1=[2056 2395 2600 ; 2395 2600 2298 ; 2600 2298 1634 ; 2298 1634 1600 ; 1634 1600 1873 ; 1600 1873 1478] 取P1中最大元素和最小元素分别为 Pmax=2600 , Pmin=1478 , 则归一化后P的对应元素值为 P=(P1-Pmin)/(Pmax-Pmin)。 3、用zscore，标准化的目的是：使得平均值为 0,标准差为1 ,这样可以使不同量纲的数 据放在一个矩阵. A=magic(4) 16 2 3 13 5 11 10 8 9 7 6 12 4 14 15 1 [Z,MU,SIGMA] = zscore(A) 归一化方法主要有如Z = 归一化方法主要有如 1.3770 -1.2509 -1.0585 0.8262 -0.6426 0.4811 0.2887 -0.0918 0.0918 -0.2887 -0.4811 0.6426 -0.8262 1.0585 1.2509 -1.3770 MU = 8.5000 8.5000 8.5000 8.5000 SIGMA = 5.4467 5.1962 5.1962 5.4467 mean(Z) ans = 1.0e-016 * -0.2776 0 0 0.5551 std(Z) ans = 1.0000 1.0000 1.0000 1.0000 4、关于神经网络（matlab ）归一化的整理 关于神经网络归一化方法的整理 由于采集的各数据单位不一致， 因而须对数据进行［-1 , 1］归一化处理, 下几种，供大家参考：(by james ) 1、 线性函数转换，表达式如下： y=(x-MinValue)/(MaxValue-MinValue) 说明：x、y分别为转换前、后的值， MaxValue、MinValue分别为样本的最大值和最小值。 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 归一化是为了加快训练网络的收敛性，可以不进行归一化处理 归一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之间是统计的概率分布，归 一化在-1--+1之间是统计的坐标分布。 归一化有同一、统一和合一的意思。 无论是为了建模 还是为了计算，首先基本度量单位要同一， 神经网络是以样本在事件中的统计分别几率来进 行训练(概率计算)和预测的，归一化是同一在 0-1之间的统计概率分布； 当所有样本的输入信号都为正值时，与第一隐含层神经元相连的权值只能同时增加或减小， 从而导致学习速度很慢。 为了避免出现这种情况， 加快网络学习速度， 可以对输入信号进行 归一化，使得所有样本的输入信号其均值接近于 0或与其均方差相比很小。 归一化是因为sigmoid函数的取值是0到1之间的，网络最后一个节点的输出也是如此， 所以经常要对样本的输出归一化处理。 所以这样做分类的问题时用 [0.9 0.1 0.1]就要比用[1 0 0]要好。 但是归一化处理并不总是合适的， 根据输出值的分布情况，标准化等其它统计变换方法有时 可能更好。 关于用 premnmx 语句进行归一化： premnmx 语句的语法格式是: [Pn,minp,maxp,Tn,mint,maxt]=premnmx(