MATLAB数据矩阵单位化，归一化，标准化
转载：https://blog.csdn.net/yb536/article/details/41050181
1.数据矩阵单位化
方法一：
-
%%矩阵的列向量单位化
-
%输出矩阵Y为单位化矩阵
-
%方法即是矩阵中所有元素除以该元素所在列向量的二范数
-
clc;
-
clear;
-
X=[
790
3977
849
1294
1927
1105
204
1329
-
768
5037
1135
1330
1925
1459
275
1487
-
942
2793
820
814
1617
942
155
976
-
916
2798
901
932
1599
910
182
1135
-
1006
2864
1052
1005
1618
839
196
1081];
-
%方法一
-
[m,n]=size(X);
-
for i=
1
:n
-
A(
1,i)=norm(X(
:,i));
-
end
-
A=repmat(A,m,
1);
-
Y=X./A;
Y =
0.3974 0.4932 0.3959 0.5290 0.4941 0.4601 0.4422 0.4890
0.3863 0.6247 0.5292 0.5437 0.4936 0.6074 0.5961 0.5471
0.4738 0.3464 0.3823 0.3327 0.4146 0.3922 0.3360 0.3591
0.4608 0.3470 0.4201 0.3810 0.4100 0.3789 0.3945 0.4176
0.5060 0.3552 0.4905 0.4108 0.4149 0.3493 0.4249 0.3977
0.3974 0.4932 0.3959 0.5290 0.4941 0.4601 0.4422 0.4890
0.3863 0.6247 0.5292 0.5437 0.4936 0.6074 0.5961 0.5471
0.4738 0.3464 0.3823 0.3327 0.4146 0.3922 0.3360 0.3591
0.4608 0.3470 0.4201 0.3810 0.4100 0.3789 0.3945 0.4176
0.5060 0.3552 0.4905 0.4108 0.4149 0.3493 0.4249 0.3977
方法二：
-
%%矩阵的列向量单位化
-
%输出矩阵Y为单位化矩阵
-
%方法即是矩阵中所有元素除以该元素所在列向量的二范数
-
clc;
-
clear;
-
X=[
790
3977
849
1294
1927
1105
204
1329
-
768
5037
1135
1330
1925
1459
275
1487
-
942
2793
820
814
1617
942
155
976
-
916
2798
901
932
1599
910
182
1135
-
1006
2864
1052
1005
1618
839
196
1081];
-
%方法二
-
[m,n]=size(X);
-
a=
0;
-
for j=
1
:n
-
for i=
1
:m
-
a=a+X(i,j)^
2;
-
end
-
A(
1,j)=sqrt(a);
-
a=
0;
-
end
-
A=repmat(A,m,
1);
-
Y=X./A
Y =
0.3974 0.4932 0.3959 0.5290 0.4941 0.4601 0.4422 0.4890
0.3863 0.6247 0.5292 0.5437 0.4936 0.6074 0.5961 0.5471
0.4738 0.3464 0.3823 0.3327 0.4146 0.3922 0.3360 0.3591
0.4608 0.3470 0.4201 0.3810 0.4100 0.3789 0.3945 0.4176
0.5060 0.3552 0.4905 0.4108 0.4149 0.3493 0.4249 0.3977
结果同上。
0.3974 0.4932 0.3959 0.5290 0.4941 0.4601 0.4422 0.4890
0.3863 0.6247 0.5292 0.5437 0.4936 0.6074 0.5961 0.5471
0.4738 0.3464 0.3823 0.3327 0.4146 0.3922 0.3360 0.3591
0.4608 0.3470 0.4201 0.3810 0.4100 0.3789 0.3945 0.4176
0.5060 0.3552 0.4905 0.4108 0.4149 0.3493 0.4249 0.3977
结果同上。
2.数据矩阵归一化
归一化，将不同样本的同一维度的数据归一化。
函数：mapminmax
默认规范范围（-1,1）
若想将规范范围划为（0,1），可编写Y=mapminmax(A,0,1);
此函数规整行向量中最大最小值，如果运用此函数，则A矩阵每一行为一个维度，每一列是一个样本。
-
%%矩阵数据归一化
-
%归一化作用是处理奇异样本矩阵
-
%将矩阵数据规范与一个范围之中，使不同维度具有可比性
-
clc;
-
clear;
-
X=[
790
3977
849
1294
1927
1105
204
1329
-
768
5037
1135
1330
1925
1459
275
1487
-
942
2793
820
814
1617
942
155
976
-
916
2798
901
932
1599
910
182
1135
-
1006
2864
1052
1005
1618
839
196
1081];
-
Y=mapminmax(X,
0,
1);
输出结果：
Y =
0.1553 1.0000 0.1710 0.2889 0.4567 0.2388 0 0.2982
0.1035 1.0000 0.1806 0.2215 0.3465 0.2486 0 0.2545
0.2983 1.0000 0.2521 0.2498 0.5542 0.2983 0 0.3112
0.2806 1.0000 0.2748 0.2867 0.5417 0.2783 0 0.3643
0.3036 1.0000 0.3208 0.3032 0.5330 0.2410 0 0.3317
0.1553 1.0000 0.1710 0.2889 0.4567 0.2388 0 0.2982
0.1035 1.0000 0.1806 0.2215 0.3465 0.2486 0 0.2545
0.2983 1.0000 0.2521 0.2498 0.5542 0.2983 0 0.3112
0.2806 1.0000 0.2748 0.2867 0.5417 0.2783 0 0.3643
0.3036 1.0000 0.3208 0.3032 0.5330 0.2410 0 0.3317
规范范围为（-1,1）
-
%%矩阵数据归一化
-
%归一化作用是处理奇异样本矩阵
-
%将矩阵数据规范与一个范围之中，使不同维度具有可比性
-
clc;
-
clear;
-
X=[
790
3977
849
1294
1927
1105
204
1329
-
768
5037
1135
1330
1925
1459
275
1487
-
942
2793
820
814
1617
942
155
976
-
916
2798
901
932
1599
910
182
1135
-
1006
2864
1052
1005
1618
839
196
1081];
-
Y=mapminmax(X);
输出结果：
Y =
-0.6894 1.0000 -0.6581 -0.4222 -0.0867 -0.5224 -1.0000 -0.4037
-0.7929 1.0000 -0.6388 -0.5569 -0.3070 -0.5027 -1.0000 -0.4910
-0.4033 1.0000 -0.4958 -0.5004 0.1084 -0.4033 -1.0000 -0.3776
-0.4388 1.0000 -0.4503 -0.4266 0.0833 -0.4434 -1.0000 -0.2714
-0.3928 1.0000 -0.3583 -0.3936 0.0660 -0.5180 -1.0000 -0.3366
-0.6894 1.0000 -0.6581 -0.4222 -0.0867 -0.5224 -1.0000 -0.4037
-0.7929 1.0000 -0.6388 -0.5569 -0.3070 -0.5027 -1.0000 -0.4910
-0.4033 1.0000 -0.4958 -0.5004 0.1084 -0.4033 -1.0000 -0.3776
-0.4388 1.0000 -0.4503 -0.4266 0.0833 -0.4434 -1.0000 -0.2714
-0.3928 1.0000 -0.3583 -0.3936 0.0660 -0.5180 -1.0000 -0.3366
3.数据矩阵标准化
标准化的数据均值为0，标准差为1
标准化函数zscore(x)
就是原数据减去均值，再除以标准差（无偏估计）
即Z=(x-mean(x))./std(x);
%%矩阵数据标准化
clc;
clear;
X=[790 3977 849 1294 1927 1105 204 1329
768 5037 1135 1330 1925 1459 275 1487
942 2793 820 814 1617 942 155 976
916 2798 901 932 1599 910 182 1135
1006 2864 1052 1005 1618 839 196 1081];
Y=zscore(X);
Y =
-0.9261 0.4840 -0.7522 0.9640 1.1002 0.2177 0.0358 0.6225
-1.1419 1.5457 1.3487 1.1224 1.0886 1.6449 1.6257 1.3944
0.5651 -0.7020 -0.9653 -1.1488 -0.6967 -0.4395 -1.0614 -1.1023
0.3100 -0.6969 -0.3702 -0.6294 -0.8011 -0.5685 -0.4568 -0.3254
1.1929 -0.6308 0.7390 -0.3081 -0.6909 -0.8547 -0.1433 -0.5892
-0.9261 0.4840 -0.7522 0.9640 1.1002 0.2177 0.0358 0.6225
-1.1419 1.5457 1.3487 1.1224 1.0886 1.6449 1.6257 1.3944
0.5651 -0.7020 -0.9653 -1.1488 -0.6967 -0.4395 -1.0614 -1.1023
0.3100 -0.6969 -0.3702 -0.6294 -0.8011 -0.5685 -0.4568 -0.3254
1.1929 -0.6308 0.7390 -0.3081 -0.6909 -0.8547 -0.1433 -0.5892
也可以按照上面的公式：
-
%%矩阵数据标准化
-
clc;
-
clear;
-
X=[
790
3977
849
1294
1927
1105
204
1329
-
768
5037
1135
1330
1925
1459
275
1487
-
942
2793
820
814
1617
942
155
976
-
916
2798
901
932
1599
910
182
1135
-
1006
2864
1052
1005
1618
839
196
1081];
-
-
Y=(X-repmat(mean(X),
5,
1))./repmat(
std(X),
5,
1);
Y =
-0.9261 0.4840 -0.7522 0.9640 1.1002 0.2177 0.0358 0.6225
-1.1419 1.5457 1.3487 1.1224 1.0886 1.6449 1.6257 1.3944
0.5651 -0.7020 -0.9653 -1.1488 -0.6967 -0.4395 -1.0614 -1.1023
0.3100 -0.6969 -0.3702 -0.6294 -0.8011 -0.5685 -0.4568 -0.3254
1.1929 -0.6308 0.7390 -0.3081 -0.6909 -0.8547 -0.1433 -0.5892
和以上结果一致。
-0.9261 0.4840 -0.7522 0.9640 1.1002 0.2177 0.0358 0.6225
-1.1419 1.5457 1.3487 1.1224 1.0886 1.6449 1.6257 1.3944
0.5651 -0.7020 -0.9653 -1.1488 -0.6967 -0.4395 -1.0614 -1.1023
0.3100 -0.6969 -0.3702 -0.6294 -0.8011 -0.5685 -0.4568 -0.3254
1.1929 -0.6308 0.7390 -0.3081 -0.6909 -0.8547 -0.1433 -0.5892
和以上结果一致。