MATLAB神经网络建模中的归一化与非归一化

我有一个数据集，有5个输入和一个输出。我想用MATLAB中的神经网络建模来训练这个数据集。当我在没有标准化的情况下输入数据时，MSE在

1e+3

附近非常大。但是，当我规范化输入数据时，输出错误大约变成

1e-4

。因此，据我所知，规范化是一项重要任务

我的两个问题：

1-在训练过程之前，我的实际目标（输出）在

[0 1000]

或

[50 800]

范围内，但在标准化后，由于标准化，神经网络给我的值在

[0 1]

范围内。我的意思是，我不能在我的实际范围内得到任何值

[0 1000]

或

[50 800]

。如何将神经网络的输出转换为

[0 1000]

或

[50 800]

范围内的正确目标？这样做合乎逻辑吗？当我的实际（目标）输出应该是

[0 1000]

或

[50 800]

时，如何处理

[0 1]

范围内的值

---

2-我想用一个新的输入模式测试经过训练的神经网络。当我在训练阶段规范化输入数据时，这个新的输入模式应该被规范化。对怎么用？我的意思是，我在训练阶段的输入数据大约是1000个数据，我用

（x-min）/（max-min）

标准化了它们。我应该在这个

min

和

max

范围内规范化我的一个新输入模式吗？

好吧，假设规范化是线性的（可能是线性的），你可以将输出乘以1000，然后四舍五入

---

您还可以使用不同的传递函数。Sigmoid有许多可取的特性，但它不能产生大于1的任何东西（如果输出达到1000，这是必要的）。我认为最后一层通常具有线性传递函数-但由于您的输出如此之大，在这种特殊情况下可能不够。

几乎所有激活函数都在

[01]

或

[-11]

范围内工作。我的意思是，数据应该在这些范围内标准化。如果我的实际目标介于

[50 800]

之间，如何将NN输出更改为此范围？我想，我应该在这两个不同的范围之间做一个映射，

[01]

从NN到实际范围

[50 800]

。我说得对吗？是的，我相信你是对的。