L2范数归一化

按行归一化：

1 2 3 4 5 6 7

% Examples A=[3 4;5 12]; [m n] = size(A); % normalize each row to unit for i = 1:m     A(i,:)=A(i,:)/norm(A(i,:)); end

按列归一化。

1 2 3 4 5

% normalize each column to unit A=[3 4;5 12]; for i = 1:n     A(:,i)=A(:,i)/norm(A(:,i)); end

然而，上述代码最能实现功能，但并不是最优的，它只是一种对该过程的最佳理解代码。在Matlab中，for循环是一件非常费时间的结构，因此我们在代码中应该尽量少用for循环。由此，我们可以用repmat命令得到另一种更加简洁更加快速的代码，只是这种代码对于初学者理解起来比较费劲。可以看做是自己水平的一种进阶吧。

1 2 3 4

%  normalize each row to unit A = A./repmat(sqrt(sum(A.^2,2)),1,size(A,2)); %  normalize each column to unit A = A./repmat(sqrt(sum(A.^2,1)),size(A,1),1);

 参考：https://www.cnblogs.com/hxsyl/p/4591008.html

我于是就想着为什么要做这么多的归一化，首先我们要知道归一化是什么：

之前一直不清楚，为什么要做这么多的归一化，直到想到了对称矩阵（请原谅数学不好的我，在理解的路上磕磕绊绊）。

矩阵的列归一化，就是将矩阵每一列的值，除以每一列所有元素平方和的绝对值，这样做的结果就是，矩阵每一列元素的平方和为1了。

假设通过上述归一化处理的样本集合为X，x的没一列的平方和都是1，假设X是25*1000的一个矩阵好了，那么X‘为一个1000*25的矩阵，Yang等人的方法里用到了

A=X’*X。那么通过上面的那些变化，X的每列元素的平方和都是1，那么A的对角线元素都是1，且A是关于对角线对称的。那么A就是一个对角线元素全为1的对称矩阵，而实对称矩阵具有如下的性质：

举个代码例子：

A=[1,2,3,4;5,6,7,8;9,10,11,12];
A = A./repmat(sqrt(sum(A.^2,1)),size(A,1),1);
X=A';
fia=X*A