准备数据：归一化数值

归一化数值

在处理这种不同取值范围的特征值时，我们通常采用的方法是将数值归一化，如将取值范围处理为0到1或者-1到1之间。下面的公式可以将任意取值范围的特征值转化为0到1区间内的值：
newValue=(oldValue-min)/(max-min)
其中min和max分别是数据集中的最小特征值和最大特征值。

一般的三种归一化方法：
1、线性函数转换，表达式如下：

　　　　y=(x-MinValue)/(MaxValue-MinValue) 归一化至[0 1]

   y=2*(x-MinValue)/(MaxValue-MinValue)-1  归一化至[-1 1]

2、对数函数转换，表达式如下：

　　　　y=log10 (x)

3、反余切函数转换 ，表达式如下：

　　　　y=arctan(x)*2/PI

归一化是一种简化计算的方式，即将有量纲的表达式，经过变换，化为无量纲的表达式，成为纯量。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;SVM是以降维后线性划分距离来分类和仿真的，因此时空降维归一化是统一在-1–+1之间的统计坐标分布。

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ÿ