一、 为什么归一化

1.   基本上，归一化思想是利用图像的不变矩（不变矩能够描述图像整体特征，因其具有平移不变性、比例不变性和旋转不变性等性质）寻找一组参数使其能够消除其他变换函数对图像变换的影响。也就是转换成唯一标准形式以抵抗仿射变换。

      图像归一化使得图像可以抵抗几何变换的攻击，它能够找出图像中的那些不变量，从而得知这些图像原本就是一样的或者一个系列的。

2.   matlab里图像数据有时候必须是浮点型才能处理，二图像数据本身是0-255的UNIT型数据所以需要归一化，转换到0-1之间。

3.   归一化是一种简化计算的方式，即将有量纲的表达式，经过变换，化为无量纲的表达式，成为纯量。目的是为了：

      (1) 避免具有不同物理意义和量纲输入变量不能平等使用；

      (2) bp中常采用sigmoid函数作为转移函数，归一化能够防止净输入绝对值过大引起的神经元输出饱和现象；

      (3) 保证输出数据中数值小的不被吞食。

4.   神经网络中归一化的原因

      (1) 归一化是为了加快训练网络的收敛性，可以不进行归一化处理。

      (2) 归一化的具体作用是归纳统一样本的统计分布性。归一化在0-1之间是统计的概率分布，归一化在-1~+1之间是统计的坐标分布。归一化有，同一，统一和和合一的意思。无论是为了建模还是为了计算，首先基本度量单位要同一，神经网络是以样本在时间中的统计分别几率来进行训练（概率计算）和预测的，归一化是同一在0-1之间的统计概论分布；当所有样本的输入信号都为正值时，与第一隐含层神经元相连的权值只能同时增加或减小，从而导致学习的速度很慢。为了避免出现这种情况，加快网络学习速度，可以对输入信号进行归一化，使得所有样本的输入信号其均值接近于0或与其均方差相比很小。

      (3) 归一化是因为sigmoid函数的取值是0到1之间的，网络最后一个节点的输出也是如此，所以经常要对样本输出进行归一化处理。所以这样做分类的问题时[0.9 0.1 0.1]就要比用[1 0 0]要好。但是归一化处理并不总是合适的，根据输出值得分布情况，标准化等其它统计变换方法有时可能更好。

二、 如何归一化

      matlab中的归一化处理有三种方法

      1. premnmx、postmnmx、tramnmx

      2. restd、poststd、trastd

      3. 自己编程

      (1) 线性函数转换，表达式如下：

           y=(x-MinValue)/(Maxvalue-Minvalued)

      (2) 对数函数转换，表达式如下：

           y=log10(x)

       (3) 反余切函数转换，表达式如下：

            y=atan(x)*2/pi