mapstd

Обработайте матрицы, сопоставив средства каждой строки с 0 и отклонения с 1

Синтаксис

[Y,PS] = mapstd(X,ymean,ystd)
[Y,PS] = mapstd(X,FP)
Y = mapstd('apply',X,PS)
X = mapstd('reverse',Y,PS)
dx_dy = mapstd('dx_dy',X,Y,PS)

Описание

mapstd обрабатывает матрицы путем преобразования среднего и стандартного отклонения каждой строки в ymean и ystd.

[Y,PS] = mapstd(X,ymean,ystd) принимает X и необязательные параметры,

X

N-by- Q матрица

ymean

Среднее значение для каждой строки Y (по умолчанию 0)

ystd

Стандартное отклонение для каждой строки Y (по умолчанию 1)

и возвращает

Y

N-by- Q матрица

PS

Настройки процесса, которые позволяют последовательно обрабатывать значения

[Y,PS] = mapstd(X,FP) принимает параметры как struct: FP.ymean, FP.ystd.

Y = mapstd('apply',X,PS) возвращает Y, заданные X и настройки PS.

X = mapstd('reverse',Y,PS) возвращает X, заданные Y и настройки PS.

dx_dy = mapstd('dx_dy',X,Y,PS) возвращает обратную производную.

Примеры

Здесь вы форматируете матрицу так, чтобы минимальное и максимальное значения каждой строки были сопоставлены со средним по умолчанию и STD 0 и 1.

x1 = [1 2 4; 1 1 1; 3 2 2; 0 0 0]
[y1,PS] = mapstd(x1)

Затем примените те же параметры обработки к новым значениям.

x2 = [5 2 3; 1 1 1; 6 7 3; 0 0 0]
y2 = mapstd('apply',x2,PS)

Противоположная обработка y1 чтобы получить x1 снова.

x1_again = mapstd('reverse',y1,PS)

Подробнее о

свернуть все

Нормализуйте входы и цели сети с помощью mapstd

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

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

Исходные входные и целевые параметры сети приведены в матрицах p и t. Нормированные входы и цели pn и tn возвращенные будут иметь нулевое значение и стандартное отклонение единства. Структуры параметров ps и ts содержат средства и стандартные отклонения исходных входов и исходных целей. После обучения сети необходимо использовать эти настройки для преобразования любых будущих входов, которые применяются к сети. Они фактически становятся частью сети, как и веса и смещения сети.

Если mapstd используется для масштабирования целей, затем выход сети обучается для получения выходов с нулевым средним и единичным стандартным отклонением. Чтобы преобразовать эти выходы обратно в те же модули, которые использовались для исходных целей, используйте ts. Следующий код моделирует сеть, которая была обучена в предыдущем коде, а затем преобразует выход сети обратно в исходные модули.

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

Выходные данные сети an соответствует нормированным целям tn. Ненормализованный выходной a сети находится в тех же модулях измерения, что и исходные цели t.

Если mapstd используется для предварительной обработки набора обучающих данных данных, затем всякий раз, когда обученная сеть используется с новыми входами, следует предварительно обработать их со средствами и стандартными отклонениями, которые были вычислены для набора обучающих данных 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, включая feedforwardnet, эти шаги выполняются автоматически, так что вам нужно только использовать sim команда.

Алгоритмы

Принято, что X имеет только конечные вещественные значения, и что элементы каждой строки не все равны.

y = (x-xmean)*(ystd/xstd) + ymean;

См. также

| |

Введенный в R2006a
Для просмотра документации необходимо авторизоваться на сайте