重庆网站建设套餐提升seo排名的方法
目录
语法
说明
示例
使用 mapminmax 函数格式化矩阵
mapminmax函数的功能是通过将行最小值和最大值映射到 [-1 1] 来处理矩阵。
语法
[Y,PS] = mapminmax(X,YMIN,YMAX)
[Y,PS] = mapminmax(X,FP)
Y = mapminmax('apply',X,PS)
X = mapminmax('reverse',Y,PS)
dx_dy = mapminmax('dx_dy',X,Y,PS)说明
提示
要重新缩放深度学习工作流的数据，请对输入层使用归一化名称-值对组。
[Y,PS] = mapminmax(X,YMIN,YMAX) 接受一个 N×Q 矩阵 X 以及（可选）Y 的每行的最小值 YMIN 和最大值 YMAX，并返回一个 N×Q 矩阵 Y 以及允许一致处理值的处理设置 PS。
mapminmax 通过将每行的最小值和最大值归一化为 [YMIN, YMAX] 来处理矩阵。
[Y,PS] = mapminmax(X,FP) 接受结构体形式的参数：FP.ymin、FP.ymax。
在给定 X 和设置 PS 的情况下，Y = mapminmax('apply',X,PS) 返回 Y。
在给定 Y 和设置 PS 的情况下，X = mapminmax('reverse',Y,PS) 返回 X。
dx_dy = mapminmax('dx_dy',X,Y,PS) 返回反向导数。
示例
使用 mapminmax 函数格式化矩阵
此示例说明如何格式化矩阵，以便将每行的最小值和最大值映射到默认区间 [-1,+1]。
x1 = [1 2 4; 1 1 1; 3 2 2; 0 0 0]
[y1,PS] = mapminmax(x1)接下来，对新值应用相同的处理设置。
x2 = [5 2 3; 1 1 1; 6 7 3; 0 0 0]
y2 = mapminmax('apply',x2,PS)反向处理 y1，以再次得到 x1。
x1_again = mapminmax('reverse',y1,PS)参数说明
X — 输入矩阵
要处理的矩阵，指定为 N×Q 矩阵。
YMIN — 最小值
输出矩阵 Y 的每行的最小值，指定为标量。
YMAX — 最大值
输出矩阵 Y 的每行的最大值，指定为标量。
Y — 输出矩阵
处理后的矩阵，以 N×Q 矩阵形式返回。
PS — 处理设置
允许一致处理值的处理设置，以结构体形式返回。
使用 mapminmax 归一化输入和目标
在训练之前，需要缩放输入和目标，使它们始终落在指定的范围内，这样做通常很有用。函数 mapminmax 可缩放输入和目标，使它们落在 [–1,1] 范围内。以下代码说明如何使用此函数。
[pn,ps] = mapminmax(p);
[tn,ts] = mapminmax(t);
net = train(net,pn,tn);矩阵 p 和 t 中给出了原始网络输入和目标。返回的归一化输入和目标 pn 和 tn 都将落在 [–1,1] 区间内。结构体 ps 和 ts 包含设置，在本例中是原始输入和目标的最小值和最大值。训练完网络后，应使用 ps 设置来变换未来应用于网络的任何输入。它们实际上成为了网络的一部分，就像网络的权重和偏置一样。
如果使用 mapminmax 缩放目标，则网络的输出将被训练为生成 [–1,1] 范围内的输出。要将这些输出转换回用于原始目标的相同单位，请使用设置 ts。以下代码仿真在上述代码中训练的网络，然后将网络输出转换回原始单位。
an = sim(net,pn);
a = mapminmax('reverse',an,ts);网络输出 an 对应于归一化目标 tn。未归一化的网络输出 a 与原始目标 t 采用相同的单位。
如果使用 mapminmax 预处理训练集数据，则每当将经过训练的网络与新输入结合使用时，都应使用存储在设置 ps 中的为训练集计算的最小值和最大值对它们进行预处理。以下代码将一组新输入应用于已经过训练的网络。
pnewn = mapminmax('apply',pnew,ps);
anewn = sim(net,pnewn);
anew = mapminmax('reverse',anewn,ts);对于大多数网络，包括 feedforwardnet，这些步骤是自动执行的，因此只需使用 sim 命令。
算法
假设 X 只有有限个实数值，并且每行的元素都不完全相等。（如果 xmax=xmin 或如果 xmax 或 xmin 是非有限值，则 y=x 且不发生变化。）
y = (ymax-ymin)*(x-xmin)/(xmax-xmin) + ymin;