网络分析与综合-6.5 归一化和去归一化
归一化的计算公式
归一化的计算公式归一化是一种在数学和各种科学领域中常用的方法，它能让不同范围和量级的数据变得具有可比性。
归一化的计算公式虽然看起来可能有点复杂，但其实理解起来也并不难。
先来说说归一化到底是啥。
比如说，我们要比较两个班级学生的考试成绩。
一个班级的成绩普遍在 80 到 90 分之间，另一个班级的成绩则在60 到70 分之间。
单纯看分数，好像第一个班级的学生成绩更好，但如果考虑到两个班级的试卷难度不同呢？这时候，归一化就派上用场了，它能消除这种由于测量尺度不同带来的差异。
归一化的计算公式有很多种，常见的有线性归一化和非线性归一化。
线性归一化的公式一般是：\[X_{norm} = \frac{X - X_{min}}{X_{max} - X_{min}}\]这里的 \(X\) 是原始数据，\(X_{min}\) 是数据中的最小值，\(X_{max}\) 是数据中的最大值。
举个例子，一个班级学生的数学成绩分别是 60 分、70 分、80 分、90 分和 100 分。
那么 \(X_{min} = 60\)，\(X_{max} = 100\) 。
假如我们要对 80 分进行归一化，那就是 \(\frac{80 - 60}{100 - 60} = 0.5\) 。
非线性归一化就更复杂一些啦，比如对数归一化、反正切归一化等等。
但别担心，咱们先把线性的搞清楚，其他的也能慢慢理解。
我之前在给学生讲这个知识点的时候，就发生了一件有趣的事儿。
有个学生特别较真儿，他就觉得归一化没啥用，说：“老师，这多麻烦呀，直接看分数不就行了？”我就笑着跟他说：“那好呀，咱们来做个实验。
”我拿出了两份数据，一份是不同班级学生的身高数据，另一份是不同班级学生的体重数据。
然后让他直接比较哪个班级的同学“更厉害”。
这孩子一下子就懵了，这身高和体重咋比呀？然后我就趁机给他讲，这就像不同班级的考试成绩，如果没有归一化，就很难公平地比较。
经过这一番折腾，这孩子终于明白了归一化的重要性。
同等学力申硕《电气工程学科综合水平全国统一考试》章节题库(电网络理论与电磁场数值分析)
7.8 试比较级联法、仿真电感法、FDNR 法之间的相同点与不同点。 答：见表 7-1。
7.4 试说明何谓网络综合，它在电路设计中的作用。 答：所谓网络综合，即按预定条件，根据数学方法和一定的步骤来确定一个电路的结构
1 / 11
圣才电子书 十万种考研考证电子书、题库视频学习平台
及其构成元件。网络综合可用来设计各类滤波器和模拟电路，如含有运算放大器的有源 RC 网络、有源 RC 滤波器等。
表 7-1 级联法、仿真电感法、FDNR 法之间子书、题库视频学习平台
7.9 何谓方程的复杂性阶数？ 答：方程的复杂性阶数等于独立的初始条件数，这些初始条件通过变量来表示。由线性 非时变 R、L（M）、C 元件组成的电路的复杂性阶数等于任何时间 t0（特别是 t0＝0）时的 独立电感电流和电容电压的数目。所以，当电路中不存在纯由电感或电感和独立电流源构成 的割集或纯由电容或电容和独立电压源构成的回路，则复杂性阶数等于储能元件的总数。
图 7-1
Z11
答：设该二端口网络的阻抗参数矩阵为
Z21
Z12
Z22
，由各阻抗参数定义式，可以求
得
Z11
R1
/
/
j
1 C
4 / 11
圣才电子书
十万种考研考证电子书、题库视频学习平台
Z12 0
Z21
gm R2
R1
/
什么是归一化和标准化
什么是归⼀化和标准化 归⼀化（Rescaling，max-min normalization，有的翻译为离差标准化）是指将数据缩放到[0,1]范围内，公式如下：X' = [X - min(X)] / [max(X) - min(X)] 标准化（Standardization, Z-score normalization，后者翻译为标准分)是指在不改变数据分布情况下，将数据处理为均值为0，标准差为1的数据集合。
公式如下：X' = [X - mean(X)] / δ 标准化的公式很眼熟，则不就是正态分布N(µ，δ) ~ N(0, 1)的公式吗？X' = (X - µ) / δ 注意标准化的公式并不局限于正态分布，任何分布都可以通过标准化将数据分布变为均值为0，⽅差为1的数据序列。
注： 1. 中⼼化，是部分标准化：X' = X - mean(X)，⽐如PCA就需要对数据⾸先进⾏中⼼化处理之后，得到的数据才能⽐较好的描述主成分。
2. normalization被翻译为正规化。
有的博客和⽂章写作正则化（regularization）笑笑就好了。
区别和⽤途 归⼀化和标准化虽然都是在保持数据分布不变的情况下（为什么能够保持数据的分布不变？因为两者本质上都只是对数据进⾏线性变化），对数据进⾏处理，但是从公式上⾯还是能够明显看出来，归⼀化的处理只是和最⼤值最⼩值相关，标准化却是和数据的分布相关（均值，⽅差），所以标准化的统计意义更强，是是对于数据缩放处理的⾸选。
只是有些特殊场景下，⽐如需要数据缩放到[0,1]之间（标准化并不保证数据范围），以及在⼀些稀疏数据场景，想要保留0值，会采⽤到归⼀化，其他的⼤部分时候，标准化是⾸选。
为什么需要标准化？ 让数据因为量纲不⼀致导致的数据差别较⼤情况有所收敛。
为什么量纲不⼀致会导致问题？如果⼀个特征的A的值分布式在[0, 1]，另外⼀个特征B的分布是在[100, 10000]，那么在进⾏梯度下降调试参数的时候，明显对于B特征的参数的修改造成的改动要强于A特征，但是在显⽰意义可能并不是如此。
归一化法名词解释
归一化法名词解释归一化法，又称为标准化法，是一种数据处理的常用方法。
它通过对数据进行线性变换，使得数据符合一定的标准或特定的分布，以便于进行比较、分析或者其他处理。
在各个领域的数据处理中都有广泛的应用，特别是在机器学习和数据挖掘领域。
归一化法的目的是消除不同数据之间的量纲和数值范围差异，使得数据具有可比性。
在实际应用中，不同的数据可能具有不同的量纲，例如某些数据的单位是厘米，而另一些数据的单位是千克。
如果不进行归一化处理，就会导致数据的差异被放大，从而影响到后续的分析结果。
对于归一化法的应用，常见的方法包括线性归一化和零均值归一化。
线性归一化是将原始数据线性映射到[0,1]的区间内。
具体的计算公式为：$$x'=\frac{x-min(x)}{max(x)-min(x)}$$其中，$x$表示原始数据，$x'$表示归一化后的数据。
通过线性归一化，将原始数据的最大值映射为1，最小值映射为0，其他值则按照线性关系进行映射。
零均值归一化，又称为标准化，是将原始数据按照均值为0，标准差为1的规则进行变换。
具体的计算公式为：$$x'=\frac{x-\mu}{\sigma}$$其中，$x$表示原始数据，$x'$表示归一化后的数据，$\mu$表示原始数据的均值，$\sigma$表示原始数据的标准差。
通过零均值归一化，将原始数据的均值调整为0，标准差调整为1，使得数据更加符合正态分布。
归一化法在实际应用中具有广泛的作用。
首先，归一化可以提高数据的可比性。
例如在数据挖掘中，不同指标的数值范围可能有很大的差异，如果不进行归一化处理，就会导致某些指标在模型中占据主导地位，而其他指标被忽略。
通过归一化处理，可以保证每个指标对模型的贡献相对均衡，从而提高模型的效果。
其次，归一化可以提高模型的鲁棒性。
在一些机器学习算法中，例如支持向量机(SVM)和K近邻(KNN)等，模型的训练过程依赖于数据之间的距离或相似度。
归一化数据处理
归一化数据处理归一化数据处理是在数据分析和机器学习中常用的一项技术，它可以将不同数据的取值范围转换为统一的标准范围，从而方便进行比较和分析。
本文将介绍归一化的概念、常用的归一化方法以及归一化的应用场景。
一、归一化的概念归一化（Normalization）是将数据按比例缩放，使之落入一个特定的区间，常见的是将数据缩放到[0, 1]或[-1, 1]的范围内。
归一化可以消除数据之间的量纲差异，避免因为数据的绝对值大小不同而导致的计算偏差。
在数据分析和机器学习中，很多算法都要求输入的特征数据具有相同的尺度。
二、常用的归一化方法1. 最小-最大归一化（Min-Max Normalization）：将数据线性地缩放到[0, 1]的范围内，公式如下：X' = (X - X_min) / (X_max - X_min)其中，X为原始数据，X'为归一化后的数据，X_min为原始数据的最小值，X_max为原始数据的最大值。
2. Z-score归一化（Standardization）：将数据转换为均值为0，标准差为1的标准正态分布，公式如下：X' = (X - mean) / std其中，X为原始数据，X'为归一化后的数据，mean为原始数据的均值，std为原始数据的标准差。
3. 小数定标归一化（Decimal Scaling）：将数据除以一个固定的基数，使数据的绝对值都小于1，公式如下：X' = X / 10^k其中，X为原始数据，X'为归一化后的数据，k为一个合适的整数。
三、归一化的应用场景1. 数据挖掘和机器学习：在训练模型之前，通常需要对输入的特征数据进行归一化处理，以提高模型的准确性和稳定性。
2. 图像处理：在图像处理中，归一化可以用来调整图像的对比度和亮度，使图像更加清晰和易于分析。
3. 信号处理：在信号处理中，归一化可以用来消除信号的幅度差异，使得不同信号之间的比较更加准确。
《网络分析与综合》试题(答案)
《网络分析与综合》试题答案一、填空题（本大题共25分，未注明的每空1分）⏹ 从不对称二端口网络两端的得到的影像阻抗（不相等），而传输常数（相等）。
⏹在300Ω负载上测得的电压为31V ，其绝对电压电平为（32）dB ，其绝对功率电平为（35）dB 。
（此题每空2分）⏹ 已知一有向图的节点数为11个，支路数为15个，那么其树支数为（10）个，基本回路有（5）个，基本割集数有（10）个。
⏹ 二端口网络的各类网络参数都有（4）个，但在无受控源时只有（3）个是独立的，且当网络又是对称时，则只有（2）个是独立的。
⏹ 梯型滤波器的开、短路阻抗在通带内的类型（不）同，在阻带内（相）同。
⏹不论二端口网络是否匹配，只要网络的衰减不小于（3）奈培或（26）分贝，网络的输入阻抗就等于网络的（影像）阻抗。
⏹ LC 二端口网络的一个传输零点在200Hz 处，而y 22只有在150Hz 的零点，这时必须采用（零点位移）技术，（部分）（部分、全部）实现（∞）（0、∞）处的（极点）（零点、极点），这样就可以将y 22（150Hz ）处的零点移到（200Hz ）处。
⏹ “链接”指的是前一个网络的（输出）端口与后一个网络的（输入）端口相联，不管它们是否匹配，其总的（传输、A 、T ）参数为组成它的各个子网络的相应参数的乘积。
二、简答题（包括名词解释）（17分）● （2分）基本割集矩阵基本割集矩阵与支路关系的矩阵：支路与基本割集无关联，元素取0；有关联且方向相同取1；有关联但方向相反取－1。
● （5分）由()111εγ+=th Z Z C i （其中21C L Z Zth =ε），我们可以得到一些什么启示由该式可以看出：⑴当2C L Z Z =时，11C i Z Z =（匹配）；⑵ 当()N 3≥=γαRe 时，11C i Z Z ≈，可见，当相关网络对匹配要求较高时，而实际又难以做到时，可以用增加网络衰耗的方法来加以解决。
● （4分）用均匀传输线的一次参数RLCG 表示的二次参数Z C 、γ是怎样的波阻抗：Cj G Lj R Z C ωω++=，传播常数：()()C j G L j R ωωγ++=● （3分）分布参数网络当信号的波长小于或等于处理它的网络的尺寸时，该网络就称为分布参数网络● （3分）K 式滤波器串臂阻抗与并臂阻抗互为倒量的滤波器二、计算题（本大题共58分）⒈ 321110001000001110011001 7641532⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡---=b b b b b b b A （3分）764176415321000110010011000101010001101 ⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡----=b b b b b b b B f （3分） 5327641532111110011000100011001c c c b b b b b b b Q f ⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡----= （2分） ⒉ ()()()K s s s s K s s s s s H ++++=++++=233212342（2分）()()s KK s K s s s s K s s s n s m 792179237179131233324-+⎪⎭⎫ ⎝⎛-++=+++=，或 010079203702331321234KK s K s s K s -（4分） ⎪⎩⎪⎨⎧-0792 K K ，9140 K （2分） ⒊ 图部分，包含分析3分Ω=∞ 161Z ，Ω= 401Z ，Ω=⨯==∞ 84160111Z Z Z C （2分） Ω=∞ 122Z ，Ω== 341202//Z ,Ω=⨯==∞ 63120222Z Z Z C （2dB 774 54930214111202110111..≈≈====--∞-∞-N th th Z Z th Z Z th γ（2分） dB N 433 845371..≈≈=γγ（1分）⒋ 最靠近原点的是一个极点，说明这是一个RC 单端口网络（4分）（图4分）⒌ ① 极点：0s =， 1.41j ±±，∞，零点：j ±， 1.73s j =±±（及曲线图4分）② ()42343111212416s s Z s s s s ss s ++==++++（4分） ③（2分）⒍ ()ss s s s s s s s s H U 31111201411201311112063524352+++++++=，s s s s y 3111120635212++=-，s s s s s y 3111120141120352422++++=（4分） ()s H 传输零点：0=s 处，2阶；∞→s 处，3阶；12y -零点：0=s 处，2阶；∞→s 处，3阶，故22y 没有私有极点，第一个元件在串臂上；由于是电压源激励，故最后一个元件应与电压源串联（4分）。
王勤电网络理论第六章
1
1 Z ( s) = [ F0 ( s ) + sT0 ( s ) + V0 ( s )] 2 s I1
1
F0 ( jω ) = 2 ∑ (
j=2 b
b
Ij 2 Ij 2
) R j = 2P
2
T0 ( jω ) = 2 ∑ (
j=2 b
) L j = 4W L
2
V0 ( jω ) = 2 ∑ (
∴参数的阻抗归一化与去归一化表达式为：
RN = R kZ , LN = L kZ , C N = kZ C .
R = kZ RN , L = kZ LN , C = C N kZ .
2、频率的归一化与去归一化 设归一化常数为kω= s/sN ，为使阻抗值不变，应有
s s sL = ⋅ k L ≡ sN LN , sC = ⋅ k C ≡ sN C N ω ω k k ω ω
因Z(s)极点的留数为正实数，有kp1= k*p1 , 故
2k p1 s 2k p 2 s k0 k ks k s + 2 + L ≡ k∞ s + 0 + 2 1 2 + 2 2 2 + L Z ( s ) = k∞ s + + 2 s s +ω21 s +ω2 2 s s +ωp1 s +ωp 2 p p
∴ 参数的频率归一化与去归一化表达式为：
RN = R , LN = kω L , C N = kωC
R = RN , L = LN kω , C = C N kω
3、同时有阻抗与频率的归一化与去归一化 R kω RN = , LN = L , C N = k Z kωC kZ kZ
常见的归一化方法
常见的归一化方法在数据分析和机器学习领域，归一化是一种常见的数据预处理方法，它将不同尺度的数据映射到统一的范围内，以避免数据间的差异对模型训练和结果产生不必要的影响。
本文将介绍几种常见的归一化方法。
1. 最大最小值归一化（Min-Max Scaling）最大最小值归一化是一种线性变换方法，将数据映射到[0, 1]的范围内。
该方法通过以下公式进行计算：X_scaled = (X - X_min) / (X_max - X_min)其中，X_scaled是归一化后的数据，X是原始数据，X_min和X_max 分别是原始数据的最小值和最大值。
2. Z-score归一化（Standardization）Z-score归一化是一种基于数据的均值和标准差的方法。
它将数据转化为均值为0，标准差为1的正态分布。
计算公式如下：X_scaled = (X - X_mean) / X_std其中，X_scaled是归一化后的数据，X是原始数据，X_mean是原始数据的均值，X_std是原始数据的标准差。
3. 小数定标归一化（Decimal Scaling）小数定标归一化是一种通过移动数据的小数点位置来实现归一化的方法。
具体做法是找到数据中的最大绝对值，然后将所有数据除以该最大绝对值的幂次，使得所有数据的绝对值都小于1。
例如，如果最大绝对值是10^k，那么归一化后的数据为：X_scaled = X / 10^k4. 归一化到单位长度（Unit Length）归一化到单位长度是一种将数据向量转化为单位长度的方法，常用于文本分类等任务中。
具体做法是将向量除以其自身的模长。
计算公式如下：X_scaled = X / ||X||其中，X_scaled是归一化后的向量，X是原始向量，||X||是X的模长。
5. 对数函数归一化（Logarithmic Scaling）对数函数归一化是一种将数据通过对数函数进行变换的方法。
通过对数函数的压缩作用，可以将原始数据的范围缩小。
【深度学习】归一化方法
【深度学习】归⼀化⽅法为什么要做归⼀化？神经⽹络学习的本质就是学习数据的分布。
如果没有对数据进⾏归⼀化处理，那么每⼀批次训练的数据的分布就有可能不⼀样。
从⼤的⽅⾯来讲，神经⽹络需要在多个分布中找到⼀个合适的平衡点；从⼩的⽅⾯来说，由于每层⽹络的输⼊数据在不断的变化，这会导致不容易找到合适的平衡点，最终使得构建的神经⽹络模型不容易收敛。
当然，如果只是对输⼊数据做归⼀化，这样只能保证数据在输⼊层是⼀致的，并不能保证每层⽹络的输⼊数据分布是⼀致的，所以在神经⽹络模型的中间层也需要加⼊归⼀化处理。
现阶段常见的归⼀化⽅法主要有：batch noralization(论⽂：)、layer normalization(论⽂：)、instance normalization(论⽂：)、group normalization（论⽂：）以及switchable normalization(论⽂：)将输⼊的feature map shape记作[ N, C, H, W]这⼏种⽅法的主要区别在于：1. batch normalization(BN)是在batch上，对N, H, W 做归⼀化，⽽保留通道C 的维度。
BN对较⼩的batch size效果不好。
BN适⽤于固定深度的前向神经⽹络，如CNN，不适⽤于RNN；2. layer normalization(LN)在通道⽅向上，对C, H, W 在做归⼀化，主要对RNN效果明显；3. instance normalization(IN)在图像像数上，对H, W 做归⼀化，⽤在风格化迁移；4. group normalization(GN)将channel分组，然后再做归⼀化。
给个⼦图表⽰⼀个特征图，其中N 为批量，C 为通道，(H, W) 为特征图的⾼度和宽度。
通过蓝⾊部分的值来计算均值和⽅差，从⽽进⾏归⼀化。
如果把特征图 x\in \mathbb{R}^{N\times C\times H\times W} ⽐喻成⼀本书，这摞书总共有N 本，每本有C 页，煤业有H ⾏，每⾏有W 个字符。
归一化原理
归一化原理归一化原理是指将数据按比例缩放，使之落入一个特定的范围。
在数据处理和机器学习中，归一化是一种常见的数据预处理方法，它可以消除不同特征之间的量纲影响，使得数据更容易被处理和分析。
在实际应用中，我们经常会遇到不同特征之间的数值范围差异很大的情况。
如果不对数据进行归一化处理，那么在进行数据分析和建模时，数值范围较大的特征会对结果产生更大的影响，从而导致模型训练不稳定甚至无法收敛。
因此，归一化原理的应用可以有效提高数据处理和模型训练的稳定性和准确性。
归一化原理的核心思想是将数据映射到一个特定的区间内，常见的归一化方法包括最小-最大归一化和Z-score归一化。
最小-最大归一化是指将原始数据线性映射到[0, 1]的区间内。
具体的归一化公式为：\[ x_{norm} = \frac{x x_{min}}{x_{max} x_{min}} \]其中，\( x_{norm} \)为归一化后的数据，\( x \)为原始数据，\( x_{min} \)和\( x_{max} \)分别为原始数据的最小值和最大值。
Z-score归一化是指将原始数据映射到均值为0，标准差为1的正态分布内。
具体的归一化公式为：\[ x_{norm} = \frac{x \mu}{\sigma} \]其中，\( x_{norm} \)为归一化后的数据，\( x \)为原始数据，\( \mu \)为原始数据的均值，\( \sigma \)为原始数据的标准差。
除了最小-最大归一化和Z-score归一化之外，还有其他一些归一化方法，如小数定标标准化、对数变换等。
在实际应用中，我们需要根据数据的特点和需求来选择合适的归一化方法。
归一化原理的应用不仅局限于数据处理和机器学习领域，它在其他领域也有着广泛的应用。
例如，在图像处理中，归一化可以提高图像的对比度和清晰度；在信号处理中，归一化可以提高信号的稳定性和可靠性。
总之，归一化原理是一种重要的数据预处理方法，它可以有效消除不同特征之间的量纲影响，提高数据处理和模型训练的稳定性和准确性。