Другой подход к масштабированию сетевых входов и целей заключается в нормализации среднего и стандартного отклонения обучающего набора. Функция mapstd нормализует входы и цели таким образом, чтобы они имели нулевое среднее и единичное стандартное отклонение. Следующий код иллюстрирует использование mapstd.

[pn,ps] = mapstd(p);
[tn,ts] = mapstd(t);

Исходные сетевые входы и цели приведены в матрицах p и t. Нормализованные входы и цели pn и tn возвращаемые значения будут иметь нулевое значение и стандартное отклонение единицы. Структуры параметров настройки ps и ts содержат средства и стандартные отклонения исходных входных данных и исходных целей. После обучения сети эти параметры следует использовать для преобразования любых будущих входных данных, применяемых к сети. Они фактически становятся частью сети, как и веса и предубеждения сети.

Если mapstd используется для масштабирования целей, затем выход сети обучается выдавать выходы с нулевым средним и единицей среднеквадратического отклонения. Чтобы преобразовать эти выходные данные обратно в те же единицы, которые использовались для исходных целей, используйте ts. Следующий код моделирует сеть, обученную предыдущему коду, а затем преобразует вывод сети обратно в исходные единицы.

an = sim(net,pn);
a = mapstd('reverse',an,ts);

Сетевой выход an соответствует нормализованным целям tn. Ненормализованный сетевой выход a находится в тех же единицах, что и исходные цели t.

Если mapstd используется для предварительной обработки данных обучающего набора, затем всякий раз, когда обучаемая сеть используется с новыми входами, следует предварительно обрабатывать их со средствами и стандартными отклонениями, которые были вычислены для обучающего набора с помощью ps. Следующие команды применяют новый набор входов к уже обученной сети:

pnewn = mapstd('apply',pnew,ps);
anewn = sim(net,pnewn);
anew = mapstd('reverse',anewn,ts);

Для большинства сетей, в том числе feedforwardnet, эти шаги выполняются автоматически, так что вам нужно только использовать sim команда.