在应用过程中，由于输入数据变化范围大等原因会在一定程度上增加计算复杂程度、不平衡性以及训练时间等，为避免上述情形，并消除不同量纲等因素的不利影响，首先应对数据值进行归一化处理。

1、传统归一化方法

$x_{ai} =\frac{max(x)-x_{i} }{max(x)-min(x)}$

$x_{ai}$ 表示归一化后的值，max(x)和min(x)为取各个样本中的最大值和最小值。使用该方法可将样本值限定于[0,1]范围内。使用该方法可描述各分量在总量中的相对关系，然而也会减小样本间的差异，特别是对不同类别以及数据差异较小的样本影响较大，从而降低判断准确率。

2、[0.1-0.9]归一法

$x_{ai} =0.1+\frac{max(x)-x_{i} }{max(x)-min(x)}\times (0.9-0.1)$

按照这种方法处理数据，使输入数据位于0-1之间的同时，还能够拉开每一个样本之间的数据差异。

该方法是将数据转化为均值为0，标准差为1的正态分布数据，如下所示：

$P_{i} =\frac{x_{i} -\tilde{x} }{s} ,i=1,2,...,n$

其中 $\tilde{x}$ 是所有数据的平均数，s表示对应的标准差，其表达式为：

$\tilde{x} =\frac{x_{1} +x_{2} +...+x_{n} }{n}$

$s=\sqrt{\frac{(x_{1}-\tilde{x} )^2 +(x_{2}-\tilde{x})^2 +...+(x_{n}-\tilde{x})^2}{n} }$

写在最后：文章是在学习过程中做的学习笔记，同时与志同道合者分享，文章内容均经过我自己实验证实可行，如有问题欢迎留言，很高兴一起交流讨论，共同进步！