*****************************歸一化*******************************

１）把資料變成(０，１)之間的小數

２）把有量綱表示式變成無量綱表示式

歸一化演算法有：

1.線性轉換

　　     y=(x-MinValue)/(MaxValue-MinValue

２.對數函式轉換：

      y=log10(x)

３.反餘切函式轉換

      y=atan(x)*2/PI

４.線性也與對數函式結合

      式(1)將輸入值換算為[-1,1]區間的值，

      在輸出層用式(2)換算回初始值，其中 和分別表示訓練樣本集中負荷的最大值和最小值。

**************************標準化****************************************

１）把資料按比例縮放，使之落入一個小的空間裡

１.最小－最大規範化(線性變換)

      y=( (x-MinValue) / (MaxValue-MinValue) )(new_MaxValue-new_MinValue)+new_minValue

2.z-score規範化(或零－均值規範化)

　y=(x-X的平均值)／X的標準差

　優點：當X的最大值和最小值未知，或孤立點左右了最大－最小規範化時，　該方法有用

３.小數定標規範化：通過移動X的小數位置來進行規範化

　y= x/10的j次方　　(其中,j使得Max(|y|) <1的最小整數

４.對數Logistic模式：

      新資料=1/（1+e^(-原資料)）

５.模糊量化模式：

新資料=1/2+1/2sin[派3.1415/（極大值-極小值）*

      （X-（極大值-極小值）/2） ]       X為原資料

  簡單來說，標準化是依照特徵矩陣的列處理資料，其通過求z-score的方法，將樣本的特徵值轉換到同一量綱下。歸一化是依照特徵矩陣的行處理資料，其目的在於樣本向量在點乘運算或其他核函式計算相似性時，擁有統一的標準，也就是說都轉化為“單位向量‘’。