本站原创文章，转载请说明来自《老饼讲解-BP神经网络》www.bbbdata.com
由于梯度下降等算法，在数据归一化下更有利于求解。
因此，我们在用梯度下降等算法训练BP神经网络之前，一般会将数据进行归一化
本文讲解BP神经网络的数据归一化和反归一化
本节先了解什么是归一化，并讲解归一化的公式
BP神经网络归一化简介
BP神经网络归一化一般是指按公式将数据归一化到[-1,1]之间，
反归一化则是把归一化后的数据映射回原始数据,
在训练阶段和应用阶段都涉及到数据归一化的相关处理
训练阶段的归一化处理
训练阶段需要在训练前把所有数据归一化后再进行训练
其中，归一化公式如下：
是原始数据，是归一化后的数据。
PASS:所有变量都要归一化，包括 y
应用阶段的归一化与反归一化
由于BP神经网络是使用归一化数据进行训练的，
所以训练好的网络也是面向归一化数据的
因此，我们在使用BP神经网络时
输入输出要做对应的归一化和反归一化处理
具体如下：
👉 1. 将BP神经网络的输入归一化
👉 2. 将BP神经网络的输出反归一化
需要注意的是，
输入的归一化与训练阶段的归一化操作保持一致，
输出的反归一则是归一化的逆操作
输出的反归一函数如下
PASS：反归一化即归一化时的反函数
本节通过一个具体的计算例子讲解BP神经网络数据归一化的操作
训练阶段的归一化处理
下面通过具体的例子，讲述归一化和反归一化的具体操作
设我们原始数据如下：
由x1的最大值为8，最小值为-2，可求得 x1归一化后的值如下：
同样处理 x2和 y，得到归一化后的整体数据如下：
BP神经网络应用阶段的归一化与反归一化
假设，我们要预测 x1 = 2, x2 = 3， 操作如下：
输入的归一化
BP神经网络输入的归一化要与训练阶段保持一致。
在做归一化时候我们知道 ：
的最大值为 8，最小值为 -2，
的最大值为 6，最小值为1，
那么归一化后的值为：
即预测时输入网络的值为: sim(net,[-0.2,-0.2])
输出的反归一化
假设上面的BP神经网络输出是0.5，
但这个0.5指的是归一化后的y的预测值，
要获得真实的预测值，我们需要将结果反归一化。
我们在归一化时，知道： y的最大值为5，最小值为-5，则反归一后的 y:
即最终网络的输出为2.5
下面我们介绍一些其它的标准化方法，
但实际中，我们最常用的还是上面介绍的方法
其它标准化方法
其它常见的数据标准化方法还有min-max(最小-最大规范化),z-score(零-均值规范化)。
它们的公式如下：
min-max的公式：
解释：将数据规范到【0，1】
z-score的公式
解释：将数据处理成均值为1，标准差为1。
✍️备注
我们最常用的，还是规范化到【-1，1】的方式，这与我们使用tansig传递函数是相对应的，
tansig的非线性区间主要在【-1.7，1.7】之间，而将数据规范化到【-1，1】对于我们研究和讨论会更加便捷。
以上就是BP神经网络的数据归一化的全部内容了~
End
