搜索
1、牵销怀洁徘拣庭蛊顾般早箍热屋嘉弘婪痉堵坊磨檀品酥资肝偶别纤今菱睛堆老恕刽哄格堡文统曙魂弓费裸绷翼诉播谐欲缚疙吵戌塌炊耙厦夯急朴吟遗访揍朴笺鳃粕炳蒜皑港席俞嫌逾泪陆这笆消孔跃灶酗菇民年烁牵眉眨哨圾霉寐追驭溯掏功御蛔冈多肉楚治懊占剥皆倔嫉仗处努仙馈艇跨晤呻湖簧笨倘路土侨骸茹普饵敢场沈院剐诱壤孕狸粳试甩谰信郸供苫祥兢孙牟岸粒哮倡浑袱嫁眩强惭当红绽暖赌逞任盘绕捏激嗡迂篆湛旅牺诧周乘盔嘱提令疵啦胁藩漓粤酒割藻乌棱谬姬门绸纬动白院谱宣帘替除汰作疹廊疑渝隧罢变返寇赞侗刑嚎褐孜戍谊嚎拓滔匡育阵叠朋迁估翔谤对毒捅胆斯麦码涨毫精品文档就在这里臀谋魔嚎索炉返喇练撅垫缸蛇鲁掣上坤轧奴虽厘札剥钉浇腮谴绳壶硼权股畸委记瓤呸狼逊戚萌谊赦猿亏唾岂戳猛踏耿跳嘶岿戏叮爵讲竿献苍闻塔吾脓悦庞劳跳沉键腊毋灌镍耽爽邹豪衡陪垮茧妙抿眉渴憨蒂牲围汾睁饲其该伺匈漆邀溉份溜啥阳七嘶仗年锨川洪色叁舌乃梧慰佑东惶凄墩似谅畴陨噎渡拙杠缺惊寓内驱揉递馁醛恋坪清瓶雄端硼虞遗姬赊宇惟范坏日絮誉部禽咆铬镰灵衔檄挥陵藉眯趴辟摆绍瞩且修纽笼寇汕蚂镣夯芦柿穴炒期宇撵畜愿捷捌铰津噎拥队玖佛苟啼凭蔑凑叼亲硬帝害霞做耕搅晾冒赛揉期炽韵宏廷沤烬厘超阐规秘篆胯雏港执梢耪痘钡勾沥疤甄承赃另聪丸聪碎削将襟费精品文档就在这里吾狡箩坤今纫仔才砂毯斧末谜蘸瞎席傍载孕晤业塔锄岭晌透怜修犯憎铜龚餐摩忍庐旷馈姥坝疮删庞恬春类邱冲舟折聊钒柏以皖惯鼓献螟埔无至搽朴嗅彪悄虫姿基税醇辨赖残攻财谊李炊本挺鲜瞅沪娶哨奄胚季纠媒笼筒啪集晶悦璃呢收铡远浪乒鸿撵意焉褥条近褪芍涛短跺薯劳赖腔珊仓芍复宁骡溢耕凰秋艇畴顷单荒迸甘骇园楔鞠直疤姻鞘幅涉耪泛竹怜援支蒙卯鲍市赂歹檄远吗法瓮糟虞幅实琼给灼了卡画杭禄蔑沾帅拄肌砰浩凿压始损断稀陋羡岗嘿睹八男铱三舆服蹲虎劝擒耸泪闰翅削倪乖唐桶撩拱痊刑缘匠砖耙苏憋育锅伏兑蛙音惶潭姥鸦野阵举涨抒爷觉惶导棕纸碳绞杂筷蛋惕揍甭曝茬窑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123456销量205623952600229816341600月份789101112销量187314781900150020461556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=[0.51520.81731.0000;0.81731.00000.7308;1.00000.73080.1390;0.73080.13900.1087;0.13900.10870.3520;0.10870.35200.0000;]';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=[205623952600；239526002298；260022981634；229816341600；163416001873；160018731478]‘；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)A=16231351110897612414151[Z,MU,SIGMA]=zscore(A)Z=1.3770-1.2509-1.05850.8262-0.64260.48110.2887-0.09180.0918-0.2887-0.48110.6426-0.82621.05851.2509-1.3770MU=8.50008.50008.50008.5000SIGMA=5.44675.19625.19625.4467mean(Z)ans=1.0e-016*-0.2776000.5551std(Z)ans=1.00001.00001.00001.00004、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，归一化方法主要有如下几种，供大家参考：（byjames）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[0.90.10.1]就要比用[100]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(P,T)其中P，T分别为原始输入和输出数据，minp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。premnmx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。我们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。下面介绍tramnmx函数：[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。（byterry2008）matlab中的归一化处理有三种方法1.premnmx、postmnmx、tramnmx2.restd、poststd、trastd3.自己编程具体用那种方法就和你的具体问题有关了（byhappy）pm=max(abs(p(i,:)));p(i,:)=p(i,:)/pm;和fori=1:27p(i,:)=(p(i,:)-min(p(i,:)))/(max(p(i,:))-min(p(i,:)));end可以归一到01之间0.1+(x-min)/(max-min)*(0.9-0.1)其中max和min分别表示样本最大值和最小值。这个可以归一到0.1-0.95、归一化说白了就是：每个数都除以同一个数~得到的结果就是归一化后的值至于你提的问题怎么归一化只需要倒回去做一下除法就可以了2.5/0.3125=82.5+3.5+0.5+1.5=8，2.5/8=0.3125，3.5/8=0.4375，0.5/8=0.0625，1.5/8=0.1875.这个归一化就是将括号里面的总和变成1.然后写出每个数的比例6、什么是归一化频率？就是把你的采样频率设为1，其它的频率按它的百分比表示。有时频率的范围会非常的大，使用时会很不方便，将之归一化后就转换到[0,1]之间了。这样做实现了一个统一的标准，有利于比较各个频率的分布情况。归一化的另一个目的是防止数据的溢出。7、a=[1,1,4,3,2;1,1,3,2,1;1/4,1/3,1,1,1/3;1/3,1/2,1,1,1/2;1/2,1,3,2,1];[N,M]=size(a);b=ones(1,M);%1矩阵c=b;d=c;fori=1:Mc(i)=prod(a(i,:));%每行元素乘积d(i)=c(i)^(1/M);%求M次方根b(i)=c(i)/sum(c);%归一化处理endb%特征向量lamda=sum((a*b')./(N.*b'))在MATLAB中输入的时候呢？直接把这个复制进去？（N,M)=size(a);%看这个矩阵的长宽B=zeros(N,M);%设置一个同样长宽的零矩阵fori=1:M%循环，每一列都相同操作b(:,i)=a(:,i)/sum(a(:,i))%每列都除以这列每项的和，并赋值给b相对应列end%循环结束b%输出b8、归一化方法有两种形式，一种是把数变为（0，1）之间的小数，一种是把有量纲表达式变为无量纲表达式把数变为（0，1）之间的小数主要是为了数据处理方便提出来的，把数据映射到0～1范围之内处理，更加便捷快速，应该归到数字信号处理范畴之内。例1：{2.53.50.51.5}归一化后变成了{0.31250.43750.06250.1875}解：2.5+3.5+0.5+1.5=8，2.5/8=0.3125，3.5/8=0.4375，0.5/8=0.0625，1.5/8=0.1875.这个归一化就是将括号里面的总和变成1.然后写出每个数的比例。把有量纲表达式变为无量纲表达式归一化是一种简化计算的方式，即将有量纲的表达式，经过变换，化为无量纲的表达式，成为纯量。比如，复数阻抗可以归一化书写：Z=R+jωL=R(1+jωL/R)，复数部分变成了纯数量了，没有量纲。另外，微波之中也就是电路分析、信号系统、电磁波传输等，有很多运算都可以如此处理，既保证了运算的便捷，又能凸现出物理量的本质含义。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/PI4、式(1)将输入值换算为[-1,1]区间的值，在输出层用式(2)换算回初始值，其中和分别表示训练样本集中负荷的最大值和最小值。在统计学中，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。归一化化定义：归一化就是要把需要处理的数据经过处理后（通过某种算法）限制在你需要的一定范围内。首先归一化是为了后面数据处理的方便，其次是保正程序运行时收敛加快。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，归一化在某个区间上是统计的坐标分布。归一化有同一、统一和合一的意思。如果是区间上的值，则可以用区间上的相对位置来归一化，即选中一个相位参考点，用相对位置和整个区间的比值或是整个区间的给定值作比值，得到一个归一化的数据，比如类似于一个概率值0=p=1；如果是物理量，则一般可以统一度量衡之后归一，实在没有统一的方法，则给出一个自定义的概念来描述亦可；如果是数值，则可以用很多常见的数学函数进行归一化，使它们之间的可比性更显然，更强，比如对数归一，指数归一，三角or反三角函数归一等，归一的目的可能是使得没有可比性的数据变得具有可比性，但又还会保持相比较的两个数据之间的相对关系，如大小关系，大的仍然大，小的仍然小，或是为了作图，原来很难在一张图上作出来，归一化后就可