怎样用matlab进行列向量归一化？

Posted 2023-05-18

　　一、解决方法：
　　按列除以归一化因子，bsxfun(@rdivide,rand(3),1:3) 可以快速实现。
　　二、matlab的小技巧：
　　1、Ctrl+C 中断正在执行的操作
　　如果程序不小心进入死循环，或者计算时间太长，可以在命令窗口中使用Ctrl+c来中断。MATLAB这时可能正疲于应付，响应会有些滞后。
　　2. figure命令新建一个绘图窗口
　　figure 可以打开一个空的绘图窗口，接下的绘图命令可以将图画在它里面，而不会覆盖以前的绘图窗口。当有多个figure窗口时，在命令窗口中执行如Plot等命令将覆盖当前figure窗口中的对象。所谓的当前figure窗口，也就是最后一次查看的窗口(可以用命令gcf得到)。
　　figure(N)，将编号为N的窗口置为当前figure，出现在所有窗口的最前面，如果该窗口不存在，则新建一个编号为N的空白figure。
　　3. 注释掉一段程序：%、%。
　　经典方法是用 if 0，但缺点是不够直观，注释掉的内容仍然保持代码的颜色。现在可以用 %和 的组合。输入%后，后面的代码都会变绿，在注释结束的地方再加上 % 。
　　也可以选中要注释内容，在右键菜单中选择Comment (Uncomment去掉注释标记)，或使用快捷键Ctrl+R。
　　将光标放在需要注释的行中，按Ctrl+R，将该行变为注释。取消注释也是一样的，快捷键为Ctrl+T。
　　4. doc 命令名，打开命令的帮助文档
　　与help命令不同，帮助文档MATLAB Help中对命令的描述更详细，往往还有一些例子，更便于理解。
　　5. clc 清屏
　　清除命令窗口中的所有输入和输出信息，不影响命令的历史记录。
　　6. clear 和clear all
　　clear 变量名：可以清除workspace中的无用的变量，尤其是一些特别大的矩阵，不用时及时清理，可以减少内存占用。
　　clear all 清除所有的变量，使workspace一无所有，当重新开始一次算法验证时，最好执行一次，让workspace中的变量一目了然。
　　7. close all
　　如果开了多个绘图窗口，用这个命令将它们一起关掉。
　　8. 上下光标键↑↓
　　在命令窗口中，上下光标键可以将历史记录中的命令复制到输入位置，便于快速重新执行。如果输入命令的前几个字母如 [row, col] =，再使用光标键，则只会选择以这些字母开始的命令。
　　9. Tab补全
　　对名称记得不太清楚的命令，可以输入开头的几个字母，然后按Tab键，当只有一个以这些字母开头的命令时，将自动补全命令名，否则显示一个命令名列表，方便从中选择。当然，只在命令窗口中有效。
　　10. cell模式
　　在一个长长的脚本m文件中，可能需要对其中的一段反复修改，查看执行效果，这时，cell模式就非常有用了。cell模式相当于将其中的代码拷贝到命令窗口中运行。两个%后接一个空格(%% )开始一个cell。将输入光标放到一个cell中时，背景将变为浅黄色，Ctrl+Enter执行cell中的代码。
　　执行cell中代码时不需要保存m文件，该m文件可以不在路径列表中。
　　cell模式中，断点不起作用，当然，调用的子程序中的断点还是正常的。 参考技术A 矩阵A
先取出第一列 a=A（：，1）；
在归一化：t=zscore(a);追问

谢谢，但是归一化以后列向量之和不应该是一吗，怎么求出来以后列向量之和是零了呢

追答

好像弄错了，这应该是标准化。
不好意思啊。
线性函数转换，表达式如下：

y=(x-MinValue)/(MaxValue-MinValue) （归一到0 1 之间）

y=0.1+(x-min)/(max-min)*(0.9-0.1)（归一到0.1-0.9之间）

说明：x、y分别为转换前、后的值，MaxValue、MinValue分别为样本的最大值和最小值

去搜搜有很多的，也可以去matlab论坛看看

本回答被提问者采纳

模式识别 - 特征归一化 及 測试 代码(Matlab)

特征归一化 及 測试 代码(Matlab)

本文地址: http://write.blog.csdn.net/postedit/26221235

通过提取视频特征的程序, 从视频数据集中提取特征数据, 使用matlab进行计算每一列的最大值, 并进行列的归一化;

最后存储入txt的文本, 进行兴许处理.

代码:

%特征处理函数
%By C.L.Wang
%本程序是处理特征数据, 包含数据的归一化, 存储最大值向量, 和归一化的矩阵;
%并进行測试效果
%数据格式为第1列是标签, 2-end列是特征, 而且正样本在前, 负样本在后;
%% 提取特征数据
clc,clear;

train_file = load(‘features.txt‘);
label_data = train_file(:,1);
feature_data = train_file(:,2:end);
%% 最大值
max_data = max(abs(feature_data));
max_data(max_data==0) = 1;

max_data_feature = [[0,0,0],max_data]; %为了与曾经的标准统一
dlmwrite(‘violence_max_matlab.txt‘, max_data_feature, ‘ ‘);

morn_data = feature_data*diag(1./max_data); %归一化
%% 归一化特征
norm_data_feature = [label_data, morn_data];
dlmwrite(‘violence_norm_matlab.txt‘, norm_data_feature, ‘ ‘);
%% 验证 [归一化]
label_vector = label_data;
instance_matrix = norm_data_feature(:,2:end);

libsvm_options = ‘-t 2 -c 10 -g 1 -v 10‘;
svmtrain(label_vector, instance_matrix, libsvm_options);

输出:

Cross Validation Accuracy = 73.9027%