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.