《数据归一化.docx》由会员分享，可在线阅读，更多相关《数据归一化.docx（5页珍藏版）》请在课桌文档上搜索。
1、一、数据归一化数据归一化方法是神经网络预测前对数据常用的-种处理方法。数据归一化处理把所有数据都转化为0,1或-1之间的数，其目的是取消各维数据间数量级差别，避免因为输入输出数据数量级差别较大而造成网络预测误差较大川(如本文中输入数据为0.16、0.4、1.2、2,输出数据是191.7,数量级相差较大)。进行数据归一化处理，修改其编程(以自然养护7天抗压强度试验结果为例)如下：P=0.160.160.160.160.180.180.180.180.20.20.20.20.220.220.220.22;0.20.30.40.50.20.30.40.50.20.30.40.50.20.30.40.
2、5;0,811.21.410.81.41.21.21.40.811.41.210.8;00.951.902.952.761.810.9300.8402.841.821.672.5100.87%训练组输入数据P1,psl=mapminmax(P)%数据归一化，使矩阵Pl的每一行的最低和最高值映射到默认区间-1,1,处理方式存为PSIT=73.5109.8120.0114.880.586.275.274.463.555.491.781.756.253.454.569.7%训练组输出数据Tl,ps2=mapminmax(T)%数据归一化，使矩阵Tl的每一行的最低和最高值映射到默认区间-1,1,处理方
3、式存为ps2net=newff(minmax(Pl),10,1,tansig,purelin)net.trainparam.epochs=1(X)Onet.trainparam,goal=0.000000000000001%神经网络建立与参数设置net=train(net,P1,T1)%对神经网络进行训练P_test=0.180.20.220.18;0.30.40.50.4;1.211.41.4;0.881.822.640%测试组输入数据P_testl=mapminmax(apply,P_test,ps1)%应用psi的处理方式处理P_testT_test=78.979.672.471.8%测
4、试组输出数据T_testl=mapminmax(apply,T_test,ps2)%应用ps2的处理方式处理TjeSty_test1=sim（net,P_test1）%测试组结果预测y-test=mapminmax（,reverse,y-test1,ps2）%对测试组预测结果进行反归一化error_test=y_test-T_testres_test=norm（error_test）%误差（标准差）计算将上述编程保存为M文件zr7.m（命令集，自然养护28天和蒸压养护7天分别为zr28.m和zy7.m）,利用while条件函数:whileres_test10zr7End%当测试组预测结果标准差
5、大于IO时执行zr7利用上述命令实现神经网络的修正，直至标准差小于10（强度小于IOMPa）停止，此时将得到的神经网络模型保存为zr7.mato采用相同的处理方法处理自然养护28天、蒸压养护7天的抗压强度试验结果数据，分别将其神经网络模型保存为zr28.mat和zy7.mato二、神经网络此处列出所得神经网络模型的权值和阙值，以便于其他的学者进行验证。（邮件附上M文件与神经网络模型mat文件）。表1zr7输入层和隐含层的权值和阙值隐含层权值阙值水胶比（W/B）硅灰（SF心砂胶比（S/B）钢纤维（V%）11.18340.3712-2.65450.8615-2.117622.2052-1.3670
6、0.65090.0673-1.776131.7506-1.1141.29320.2553-1.72014-1.3719-1.1627-0.62091.57190.78025-0.4188-1.9220-1.9952-0.24701.06736-1.75820.1920-1.10191.5412-0.400971.5754-1.6040-1.2368-0.20060.29898-0.40270.14381.1035-2.28291.432590.41062.83241.0097-0.5626-2354610-1.4523-0.68901.29691.4760-2.5879表2zr7隐含层和输出层
7、的权值和阙值输出层权值阙值123456789100.30750.04780.10680.04560.61920.2761-0.86860.08560.00770.41610.3728表3zr28输入层和隐含层的权值和阙值隐含层权值阙值水胶比（WZB）硅灰(SF/C)砂胶比（S/B）钢纤维（V%）I0.1176-1.14750.49082.1872-2.410420.70231.58660.3055-1.4213-2.172031.30750.6068-1.9481-0.1291-1.34434-1.25712.05670.07550.97180.320351.4081-1.1519-1.457
8、0-0.0960-0.083960.27021.48761.66720.9402-0.47367-0.8191-0.03540.6474-2.0284-1.33098-1.89030.53840.78941.5297-1.188391.3569-1.55570.54441.37081.887510-0.80930.47060.6183-2.0388-2.6479表4zr28隐含层和输出层的权值和阙值输出层权值阙值12345678910-0.2732-0.59450.28440.1913-0.2998-0.2905-0.43910.4852-0.35140.4480-0.0424表5zy7输入层
9、和隐含层的权值和阙值隐含层权值阙值水胶比（W/B）硅灰(SF/C)砂胶比（S/B）钢纤维（V%）11.47800.4862-0.83191.7387-2.690021.2509-1.36031.46240.8848-1.894831.6603-1.69900.5178-0.5080-1.23344-0.5581-0.78901.71741.62251.12885-1.0860-1.01201.8614-0.20490.43426-0.3288-2.41470.69970.0541-0.155670.26591.3232-0.9472-1.83881.11418-1.3287-1.74291.0
10、7871.3498-0.992091.7537-1.41371.3903-0.12811.686010-0.48111.6283-0.60831.8143-2.3677表6zy7隐含层和输出层的权值和阙值输出层权值阙值123456789100.6724-0.2257-0.04410.4919-0.1708-0.31330.32740.6720-0.6745-0.38220.1453三、测试组预测结果验证利用上述模型对测试组进行验证，验证结果如下。表7zr7预方W结果及误差组别ABCD标准差试验结果(MPa)78.979.672.471.8预测结果(MPa)86.1573.5470.8073.1
11、3误差(MPa)7.25-6.06-1.601.339.675表8zr28预测结果及误差组别ABCD标准差试验结果(MPa)92.6103.29690.4预测结果(MPa)96.83107.84101.0792.37误差(MPa)4.234.645.071.978.3079表9zy7预测结果及误差组别ABCD标准差试验结果(MPa)116.6132.5120115.2预测结果(MPa)116.68127.42121.92107.87误差(MPa)0.08-5.081.92-7.339.1205从上述结果可看出，预测结果已较为准确。四、参考文献1周品.MATLAB神经网络设计与应用M.北京：清华大学出版社,2013.
