matlab中normalize的原理

在MATLAB中，`normalize`函数用于对矩阵（向量）进行标准化处理，其基本原理是将每个元素缩放到新的范围内，通常是0到1之间。这个过程分为两个部分：

1. **Z-score标准化**（也称为零均值单位方差规范化）：这是最常见的方法，它的目标是使数据的均值为0，标准差为1。计算公式如下：

   NormalizedVector = (InputVector - mean(InputVector)) / std(InputVector);

这里，`mean`计算输入向量的平均值，`std`计算标准差。这样得到的结果每个元素都在平均数为中心，标准差为半径的正态分布上。

2. **最大最小规范化**（MinMax normalization）：它将数据缩放到指定的新区间，比如[0, 1]。`normalize`函数默认就是采用这种方法，计算公式是：

   NewMax = max(abs(InputVector)); % 计算输入向量的最大绝对值
   NewMin = min(abs(InputVector)); // 或者直接用 min(InputVector)
   NormalizedVector = ((InputVector - NewMin) ./ (NewMax - NewMin)) * Range;

其中`Range`是你希望新取值的范围，如[0, 1]。这样就保证了结果的值始终落在指定的范围内。

使用`normalize`时，你可以选择不同的方法，通过设置`Method`参数来调整。常见的有：
- `'zscore'`（默认）表示Z-score标准化。
- `'range'` 表示最大最小规范化。