如何用matlab将特征向量归一化呢？

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

请问，如何用matlab将一个特征向量归一化呢？能举个具体的例子吗
呵呵

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏1 回帖

关键词：MATLAB matla atlab 特征向量 Atl matlab 如何

你是这个意思么
1、计算后向量的模长是1
a./norm(a)
还是
2、计算后变为标准化向量
(a-mean(a))/std(a)

其中a是你说的向量

凡星有梦 发表于 2014-3-7 16:23
你是这个意思么
1、计算后向量的模长是1
a./norm(a)

应该是前者。

恩  谢谢各位了

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种:
（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);
%对BP网络进行仿真
A=sim(net,pn);
E=A-tn;
M=sse(E)
N=mse(E)
pause
clc
p2=[1046.20 1046.05 1.52 1.538 0.75;
    1046.05 1046.85 1.538 1.510 0.75;
    1046.85 1046.60 1.510 1.408 0.75;
    1046.60 1046.77 1.408 1.403 0.75;
    1046.77 1047.18 1.403 1.319 0.75];
p2=p2';
p2n=tramnmx(p2,minp,maxp);
a2n=sim(net,p2n);
a2=postmnmx(a2n,mint,maxt)
echo off
pause
clc
程序说明：所用样本数据（见m_data）包括输入和输出数据，都先进行归一化，还有一个问题就是你要进行预测的样本数据(见本例p2)在进行仿真前，必须要用tramnmx函数进行事先归一化处理，然后才能用于预测，最后的仿真结果要用postmnmx进行反归一，这时的输出数据才是您所需要的预测结果。
个人认为：tansig、purelin、logsig是网络结构的传递函数，本身和归一化没什么直接关系，归一化只是一种数据预处理方法。