归一化处理

数据归一化处理

1.我有一个问题不太明白，神经网络在训练时，先对数据进行归一化处理，按照常理训练完之后应该对数据再进行反归一化啊，可是再很多资料上根本就看不出有反归一化这个步骤，而且很多时候训练效果不是很好。请问，哪个大侠能帮帮我啊

2.看一下MATLAB里的premnmx函数和postmnmx函数.它们一个是归一一个是反归一

3.并不是归一化的数据训练效果就好

4.我也遇到过类似的问题,有篇论文就是用postmnmx函数.效果不好可能是样本数据不太准.

5.可以采用标准化PRESTD，效果很好。

6.样本数据和测试数据是否放在一起归一化？

7.应该将样本数据和测试数据放在一起归一化，不然如果测试数据中有的值比样本数据最大值还大，岂不是超过1了？

神经网络训练的时候，应该考虑极值情况，即归一化的时候要考虑你所需要识别参数的极值，以极值作分母，这样可能效果更好一点。

8.激发函数如果选用的是倒s型函数，应不存在归一化的问题吧

9.我想问大家一下:在神经网络中,只有一个函数即:purelin这个函数对训练的输出数据不用归一化,而象logsig 和tansig函数都要归一化(如果数据范围不在[-1,1]或[0,1]之间).那既然用purelin函数可以不用归一化,为何又是还用归一化呢?

用神经网络里的PRESTD, PREPCA, POSTMNMX, TRAMNMX等函数归一化和直接用purelin这个函数有什么区别啊? 我作负荷预测时,象不用归一化的效果很好呀!

10.purelin没有作归一化啊,你用logsig 和tansig作为神经元激励函数,输出范围自然限制在[-1,1]或[0,1]之间了

11.

我所知道的关于归一化：

归一化化定义：我是这样认为的，归一化化就是要把你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。

在matlab里面，用于归一化的方法共有三中，（1）premnmx、postmnmx、tramnmx（2）prestd、poststd、trastd（3）是用matlab语言自己编程。premnmx指的是归一到[－1 1],prestd归一到单位方差和零均值。（3）关于自己编程一般是归一到[0.1 0.9] 。具体用法见下面实例。

为什么要用归一化？

为什么要用归一化呢？首先先说一个概念，叫做奇异样本数据，所谓奇异样本数据数据指的是相对于

其他输入样本特别大或特别小的样本矢量。

下面举例：

m=[0.11 0.15 0.32 0.45 30;

0.13 0.24 0.27 0.25 45];

其中的第五列数据相对于其他4列数据就可以成为奇异样本数据（下面所说的网络均值bp）。奇异样本数据存在所引起的网络训练时间增加，并可能引起网络无法收敛，所以对于训练样本存在奇异样本数据的数据集在训练之前，最好先进形归一化，若不存在奇异样本数据，则不需要事先归一化。

具体举例：

close all

clear

echo on

clc

%BP建模

%原始数据归一化

m_data=[1047.92 1047.83 0.39 0.39 1.0 3500 5075;

1047.83 1047.68 0.39 0.40 1.0 3452 4912;

1047.68 1047.52 0.40 0.41 1.0 3404 4749;

1047.52 1047.27 0.41 0.42 1.0 3356 4586;

1047.27 1047.41 0.42 0.43 1.0 3308 4423;

1046.73 1046.74 1.70 1.80 0.75 2733 2465;

1046.74 1046.82 1.80 1.78 0.75 2419 2185;

1046.82 1046.73 1.78 1.75 0.75 2105 1905;

1046.73 1046.48 1.75 1.85 0.70 1791 1625;

1046.48 1046.03 1.85 1.82 0.70 1477 1345;

1046.03 1045.33 1.82 1.68 0.70 1163 1065;

1045.33 1044.95 1.68 1.71 0.70 849 785;

1044.95 1045.21 1.71 1.72 0.70 533 508;

1045.21 1045.64 1.72 1.70 0.70 567 526;

1045.64 1045.44 1.70 1.69 0.70 601 544;

1045.44 1045.78 1.69 1.69 0.70 635 562;

1045.78 1046.20 1.69 1.52 0.75 667 580];

%定义网络输入p和期望输出t

pause

clc

p1=m_data(:,1:5);

t1=m_data(:,6:7);

p=p1';t=t1';

[pn,minp,maxp,tn,mint,maxt]=premnmx(p,t)

%设置网络隐单元的神经元数(5~30验证后5个最好）

n=5;

%建立相应的BP网络

pause

clc

net=newff(minmax(pn),[n,2],{'tansig','purelin'},'traingdm'); inputWeights=net.IW{1,1};

inputbias=net.b{1};

layerWeights=net.IW{1,1};

layerbias=net.b{2};

pause

clc

% 训练网络

net.trainParam.show=50;

net.trainParam.lr=0.05;

net.trainParam.mc=0.9;

net.trainParam.epochs=200000;

net.trainParam.goal=1e-3;

pause

clc

%调用TRAINGDM算法训练BP网络

net=train(net,pn,tn);