在使用BP神经网络时 数据进行标准化或归一化有什么区别吗

1. 在使用BP神经网络时 数据进行标准化或归一化有什么区别吗

归一化，就是为了限定你的输入向量的最大值跟最小值不超过你的隐层跟输出层函数的限定范围。比如，你的隐层的传递函数为logsig，那么你的输出就在0~1范围内，如果你的传递函数为tansig，你的隐层的输出在-1~·范围内，用归一化，这也是为了你的隐层传递函数的输出着想。
标准化，只是对数据进行了统一的标准，其大小可能已经超出了隐层传递函数的界定范围，在后续的运行时，容易出错。

2. BP神经网络，未归一化处理的输出，预测值不用反归一吧？

不用反归一的~一般要是输出在【0,1】内就不用归一，当热也就不用反归一了，神经网络里的归一是为了适应它的内部函数，如果数据本来就是【0,1】内的，它的内部函数就是可以正常使用的，所以不用归一化处理，自然不用在预测后进行反归一。

3. 关于BP神经网络的数据归一化的问题

如果输出的数据较小的时候应该不用归一化，我做过一些这方面的，输出数据都比较小，没有归一化过。但是如果输入数据归一化而输出数据要远远大于输入数据时，权值的调整范围可能也要足够大才能达到预期误差效果，所以在输出过大的情况下可能需要归一化，具体情况可以自己编一个小程序试下，看看效果。

4. BP神经网络归一化，拟合数据程序，四个输入，一个输出，要求有图形

具体点什么数据

5. BP神经网络做预测时，一定要归一化吗，怎样反归一化得到最后的结果

当数据差距很大的时候，必须要归一化！
 pnt=mapminmax('apply',pt,ps)或＝mapstd('apply',pt,ps) 
仿真后反归一化格式则为：  
 out=mapminmax('reverse',An,ts)或=mapstd('reverse',An,ts)；
其中An为sim函数的输 出

6. 神经网络的初始权值和阈值为什么都归一化0到1之间呢

因为神经元的传输函数在[0,1]之间区别比较大，如果大于1以后，传输函数值变化不大（导数或斜率就比较小），不利于反向传播算法的执行。反向传播算法需要用到各个神经元传输函数的梯度信息，当神经元的输入太大时（大于1比如），相应的该点自变量梯度值就过小，就无法顺利实现权值和阈值的调整）。传输函数比如logsig或tansig，你可以把函数图像画出来，会发现，[-1,1]之间函数图像比较徒，一阶导数（梯度）比较大，如果在这个敬意范围之外，图像就比较平坦，一阶导数（梯度）就接近0了。

7. bp神经网络输入输出参数需要归一化吗？

从理论上将，BP网络对其输入无限制，因此对输入变量可以不归一化。但是还是建议归一化到一个统一范围，这样做的目的是为了一开始就使各变量的重要性处于同等地位

8. 基于BP神经网络的PID，输入参数的归一化，问题求助？

利用BP神经网络来整定PID，也许能实现。但是书本上的这个BP-PID理论书本是错误的。你仔细看看，它的输出激活函数的值域是【0，1】，PID的参数不可能是只在这个范围啊！可以说输出没有反归一化（值域扩展）。至于输入归一化，可用不做，但是输出在0和1之间，就是闹笑话了