歸一化的具體作用是歸納統一樣本的統計分佈性。歸一化在0-1之間是統計的概率分佈，歸一化在-1--+1之間是統計的座標分佈。歸一化有同一、統一和合一的意思。無論是為了建模還是為了計算，首先基本度量單位要同一，神經網路是以樣本在事件中的統計分別機率來進行訓練（概率計算）和預測的，且sigmoid函式的取值是0到1之間的，網路最後一個節點的輸出也是如此，所以經常要對樣本的輸出歸一化處理。歸一化是統一在0-1之間的統計概率分佈，當所有樣本的輸入訊號都為正值時，與第一隱含層神經元相連的權值只能同時增加或減小，從而導致學習速度很慢。另外在資料中常存在奇異樣本資料，奇異樣本資料存在所引起的網路訓練時間增加，並可能引起網路無法收斂。為了避免出現這種情況及後面資料處理的方便，加快網路學習速度，可以對輸入訊號進行歸一化，使得所有樣本的輸入訊號其均值接近於0或與其均方差相比很小。

    在matlab裡面，用於歸一化的方法共有三種：

一、用matlab語言自己程式設計，通常使用的函式有以下幾種：

1.線性函式轉換，表示式如下：

y=(x-MinValue)/(MaxValue-MinValue) （歸一到0 1 之間）

y=0.1+(x-min)/(max-min)*(0.9-0.1)（歸一到0.1-0.9之間）

說明：x、y分別為轉換前、後的值，MaxValue、MinValue分別為樣本的最大值和最小值。

2.對數函式轉換，表示式如下：

y=log10(x)

說明：以10為底的對數函式轉換。

3.反餘切函式轉換，表示式如下：

y=atan(x)*2/PI

二、premnmx、tramnmx、postmnmx、mapminmax

premnmx函式用於將網路的輸入資料或輸出資料進行歸一化，歸一化後的資料將分佈在[-1,1]區間內。

premnmx語句的語法格式是：[Pn,minp,maxp,Tn,mint,maxt]=premnmx(P,T)，其中P，T分別為原始輸入和輸出資料。

在訓練網路時如果所用的是經過歸一化的樣本資料，那麼以後使用網路時所用的新資料也應該和樣本資料接受相同的預處理，這就要用到tramnmx函式：

tramnmx語句的語法格式是：[PN]=tramnmx(P,minp,maxp)

其中P和PN分別為變換前、後的輸入資料，maxp和minp分別為premnmx函式找到的最大值和最小值。

網路輸出結果需要進行反歸一化還原成原始的資料，常用的函式是：postmnmx。

postmnmx語句的語法格式是：[PN] = postmnmx(P,minp,maxp)

其中P和PN分別為變換前、後的輸入資料，maxp和minp分別為premnmx函式找到的最大值和最小值。

還有一個函式是mapminmax，該函式可以把矩陣的每一行歸一到[-1 1].

mapminmax語句的語法格式是：[y1,PS] = mapminmax(x1)

其中x1 是需要歸一的矩陣 y1是結果。

當需要對另外一組資料做歸一時，就可以用下面的方法做相同的歸一了

y2 = mapminmax('apply',x2,PS)

當需要把歸一的資料還原時，可以用以下命令：x1_again = mapminmax('reverse',y1,PS) 

三、prestd、poststd、trastd

prestd歸一到單位方差和零均值。

pminp和maxp分別為P中的最小值和最大值。mint和maxt分別為T的最小值和最大值。