Question

matlab中神经网络的数据归一化处理就是相当于模糊化吗？

我要做模糊神经网络，老师说下面这一段就是模糊神经网络的一部分：
%---------------------------------------------------
%原始数据
%---------------------------------------------------
year=1986:2000;%数据是从1986到2000年的

p=[493 372 445;372 445 176;445 176 235;176 235 378;235 378 429;...
378 429 561;429 561 651;561 651 467;651 467 527;467 527 668;...
527 668 841; 668 841 526;841 526 480;526 480 567;480 567 685]';%输入数据，共15组，每组3个输入
t=[176 235 378 429 561 651 467 527 668 841 526 480 567 685 507];%输出数据，共15组，每组1个输出

%---------------------------------------------------
%数据归一化处理
%mapminmax函数默认将数据归一化到[-1,1]，调用形式如下
%[y,ps] =%mapminmax(x,ymin,ymax)
%x需归化的数据输入
%ymin，ymax为需归化到的范围，不填默认为归化到[-1,1]
%y归一化后的样本数据
%ps处理设置，ps主要在结果反归一化中需要调用，或者使用同样的settings归一化另外一组数据
%---------------------------------------------------
[normInput,ps] = mapminmax(p);
[normTarget,ts] = mapminmax(t);
求解，不明白，还有，如果我的P和T的column不一样，该怎么办？

Answer 1

%BP建模
clear;
%原始数据归一化
p=[493 372 445;372 445 176;445 176 235;176 235 378;235 378 429;
378 429 561;429 561 651;561 651 467;651 467 527;467 527 668;
527 668 841; 668 841 526;841 526 480;526 480 567;480 567 685]'；
t=[176 235 378 429 561 651 467 527 668 841 526 480 567 685 507];
%定义网络输入p1和期望输出t1
p1=p(:,1:13);t1=t(1:13);
[pn,PS]=mapminmax(p1);[tn,TS]=mapminmax(t1);
%设置网络隐单元的神经元数
NodeNum=15;
%建立相应的BP网络
net=newff(pn,tn,NodeNum,{'tansig','purelin'},'traingdm','learngdm');
% 训练网络
net.trainParam.show=50;
net.trainParam.lr=0.05;
net.trainParam.epochs=2000;
net.trainParam.goal=1e-4;
%调用TRAINGDM算法训练BP网络
net=train(net,pn,tn);
%对BP网络进行仿真
p2=p(:,[14 15]);
p2n=mapminmax('apply',p2,PS);
a2n=sim(net,p2n);
a2=mapminmax('reverse',a2n,TS);
t2=[t([14 15]);
a2]
%我也不知道怎么回事。我用前13组数据构建网络，去预测后两组，效果很差。建议你把NodeNum=15;中的数值更改一下看看有没有变化。

Answer 2

归一化和模糊化完全不同。
这篇不错，看完就明白了
http://wenku.baidu.com/view/f1bf363283c4bb4cf7ecd116.html

Answer 3

模糊化和归一化不一样呢。P和T的列数不一样，构建网络时把P改为P的转置就好了，即P->P'.

Answer 4

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(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。
（by terry2008）
matlab中的归一化处理有三种方法
1. premnmx、postmnmx、tramnmx
2. restd、poststd、trastd
3. 自己编程
具体用那种方法就和你的具体问题有关了
（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 可以归一到0 1 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0.1-0.9

Answer 5

嗯