标准化函数 zscore()。
用法:Y = zscore(X)。X为标准化之前的数据,Y为标准化后的数据
特点:(1)样本均值为0,方差为1;(2)区间不确定,处理后个指标的最大值、最小值不同;(3)对于指标值恒定的情况不适用;(4)对于要求标准化后的数据大于0的评价方法不适用。
主成分分析princomp()
用法:[COEFF,SCORE,LATENT,TSQUARE] = princomp(X)
COEFF:系数矩阵;SOCRE:得分矩阵;LATENT(R):特征值矩阵;
求和:sum()
用法:若输入为矩阵,则求每一列的和,得到一个行向量。
求和:cumsum()
用法:求矩阵每一列的递增和。
神经网络相关函数:premnmx()、tramnmx()、postmnmx()、mapmnmx()
用法:premnmx()函数将网络的输入数据或者输出数据进行归一化,归一化后的数据分布在【-1,1】之间。
[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。
在训练网络时如果所用的是经过归一化的样本数据,那么在以后使用网络时所用的新的数据也应该和样本数据接受相同的预处理,这就要用到tramnmx()。
[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。
网络输出结果需要进行反归一化还原成原始的数据,使用postmnmx()。
PN = postmnmx(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。
mapmnmx()可以将矩阵的每一行归一到【-1,1】
[y1, PS] = mapminmax(X),其中X是需要归一的矩阵,y1是结果。
当需要对另一组数据做归一时,可以用
y2 = mapminmax('apply', x2, PS);
当需要对归一的数据还原时,可以用
x_again = mapminmax('reverse', y1, PS);