歸一化處理我理解，但是很多例子的反歸一化我就不是很明白 。如下面這個例子：

%準備好訓練集

%人數(單位：萬人)

numberOfPeople=[20.55 22.44 25.37 27.13 29.45 30.10 30.96 34.06 36.42 38.09 39.13 39.99 41.93 44.59 47.30 52.89 55.73 56.76 59.17 60.63];

%機動車數(單位：萬輛)

numberOfAutomobile=[0.6 0.75 0.85 0.9 1.05 1.35 1.45 1.6 1.7 1.85 2.15 2.2 2.25 2.35 2.5 2.6 2.7 2.85 2.95 3.1];

%公路面積(單位：萬平方公里)

roadArea=[0.09 0.11 0.11 0.14 0.20 0.23 0.23 0.32 0.32 0.34 0.36 0.36 0.38 0.49 0.56 0.59 0.59 0.67 0.69 0.79];

%公路客運量(單位：萬人)

passengerVolume = [5126 6217 7730 9145 10460 11387 12353 15750 18304 19836 21024 19490 20433 22598 25107 33442 36836 40548 42927 43462];

%公路貨運量(單位：萬噸)

freightVolume = [1237 1379 1385 1399 1663 1714 1834 4322 8132 8936 11099 11203 10524 11115 13320 16762 18673 20724 20803 21804];

%輸入數據矩陣

p = [numberOfPeople; numberOfAutomobile; roadArea];

%目標(輸出)數據矩陣

t = [passengerVolume; freightVolume];

%對訓練集中的輸入數據矩陣和目標數據矩陣進行歸一化處理

[pn, inputStr] = mapminmax(p);

[tn, outputStr] = mapminmax(t);

%建立BP神經網絡

net = newff(pn, tn, [3 7 2], {'purelin', 'logsig', 'purelin'});

%每10輪回顯示一次結果

net.trainParam.show = 10;

%最大訓練次數

net.trainParam.epochs = 5000;

%網絡的學習速率

net.trainParam.lr = 0.05;

%訓練網絡所要達到的目標誤差

net.trainParam.goal = 0.65 * 10^(-3);

%網絡誤差如果連續6次迭代都沒變化，則matlab會默認終止訓練。為了讓程序繼續運行，用以下命令取消這條設置

net.divideFcn = '';

%開始訓練網絡

net = train(net, pn, tn);

%使用訓練好的網絡，基于訓練集的數據對BP網絡進行仿真得到網絡輸出結果

%(因為輸入樣本(訓練集)容量較少，否則一般必須用新鮮數據進行仿真測試)

answer = sim(net, pn);

%反歸一化

answer1 = mapminmax('reverse', answer, outputStr);

%繪制測試樣本神經網絡輸出和實際樣本輸出的對比圖(figure(1))-------------------------------------------

t = 1990:2009;

%測試樣本網絡輸出客運量

a1 = answer1(1,:);

%測試樣本網絡輸出貨運量

a2 = answer1(2,:);

figure(1);

subplot(2, 1, 1); plot(t, a1, 'ro', t, passengerVolume, 'b+');

legend('網絡輸出客運量', '實際客運量');

xlabel('年份'); ylabel('客運量/萬人');

title('神經網絡客運量學習與測試對比圖');

grid on;

subplot(2, 1, 2); plot(t, a2, 'ro', t, freightVolume, 'b+');

legend('網絡輸出貨運量', '實際貨運量');

xlabel('年份'); ylabel('貨運量/萬噸');

title('神經網絡貨運量學習與測試對比圖');

grid on;

%使用訓練好的神經網絡對新輸入數據進行預測

%新輸入數據(2010年和2011年的相關數據)

newInput = [73.39 75.55; 3.9635 4.0975; 0.9880 1.0268];

%利用原始輸入數據(訓練集的輸入數據)的歸一化參數對新輸入數據進行歸一化

newInput = mapminmax('apply', newInput, inputStr);

%進行仿真

newOutput = sim(net, newInput);

%反歸一化

newOutput = mapminmax('reverse',newOutput, outputStr);

disp('預測2010和2011年的公路客運量分別為(單位：萬人)：');

newOutput(1,:)

disp('預測2010和2011年的公路貨運量分別為(單位：萬噸)：');

newOutput(2,:)

%在figure(1)的基礎上繪制2010和2011年的預測情況-------------------------------------------------------

figure(2);

t1 = 1990:2011;

subplot(2, 1, 1); plot(t1, [a1 newOutput(1,:)], 'ro', t, passengerVolume, 'b+');

legend('網絡輸出客運量', '實際客運量');

xlabel('年份'); ylabel('客運量/萬人');

title('神經網絡客運量學習與測試對比圖(添加了預測數據)');

grid on;

subplot(2, 1, 2); plot(t1, [a2 newOutput(2,:)], 'ro', t, freightVolume, 'b+');

legend('網絡輸出貨運量', '實際貨運量');

xlabel('年份'); ylabel('貨運量/萬噸');

title('神經網絡貨運量學習與測試對比圖(添加了預測數據)');

grid on;

預測的時候反歸一化為啥呀

總結

以上是生活随笔為你收集整理的matlab卷积完为什么要归一化,为什么要进行反归一化处理，而且反归一化什么意思？...的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。