2

我目前正在尝试对复杂值进行规范化。由于我没有这样做的好方法，我决定将我的数据集分成两部分，由只有实部的数据和只有虚部的数据组成。 

def split_real_img(x):
    real_array = x.real
    img_array = x.imag
    return real_array, img_array

然后分别用

def numpy_minmax(X):
    xmin =  X.min()
    print X.min()
    print X.max()
    return (2*(X - xmin) / (X.max() - xmin)-1)*0.9

标准化后，是否应该合并两个数据集，使其返回到一个具有复杂值的数据集中？但是我该怎么做呢？

数据标准化已经完成，这样我就可以使用 tanh 作为激活函数，它在 -0.9 到 0.9 => 的范围内运行，这就是为什么我需要将数据集标准化为这些范围的原因。

4

1 回答 1

1

基本上，将涉及两个步骤：

  • 沿实轴和虚轴将所有数字偏移最小值。

  • 将每个除以最大值。震级。要获得复数的大小，只需使用np.abs().

因此，实施将是 -

def normalize_complex_arr(a):
    a_oo = a - a.real.min() - 1j*a.imag.min() # origin offsetted
    return a_oo/np.abs(a_oo).max()

用于验证的样品运行

让我们从一个至少有一个[0+0j]和两个元素的数组开始 - [x1+y1*J]& [y1+x1*J]。因此，它们在归一化后的大小应该是1每个。

In [358]: a = np.array([0+0j, 1+17j, 17+1j])

In [359]: normalize_complex_arr(a)
Out[359]: 
array([ 0.00000000+0.j        ,  0.05872202+0.99827437j,
        0.99827437+0.05872202j])

In [360]: np.abs(normalize_complex_arr(a))
Out[360]: array([ 0.,  1.,  1.])

接下来，让我们为最小元素添加一个偏移量。这不应该在标准化后改变它们的大小 -

In [361]: a = np.array([0+0j, 1+17j, 17+1j]) + np.array([2+3j])

In [362]: a
Out[362]: array([  2. +3.j,   3.+20.j,  19. +4.j])

In [363]: normalize_complex_arr(a)
Out[363]: 
array([ 0.00000000+0.j        ,  0.05872202+0.99827437j,
        0.99827437+0.05872202j])

In [364]: np.abs(normalize_complex_arr(a))
Out[364]: array([ 0.,  1.,  1.])

最后，让我们添加另一个元素，它距离偏移原点的距离是原点的两倍，以确保这个新元素的大小为 ，1 而其他元素减少到0.5-

In [365]: a = np.array([0+0j, 1+17j, 17+1j, 34+2j]) + np.array([2+3j])

In [366]: a
Out[366]: array([  2. +3.j,   3.+20.j,  19. +4.j,  36. +5.j])

In [367]: normalize_complex_arr(a)
Out[367]: 
array([ 0.00000000+0.j        ,  0.02936101+0.49913719j,
        0.49913719+0.02936101j,  0.99827437+0.05872202j])

In [368]: np.abs(normalize_complex_arr(a))
Out[368]: array([ 0. ,  0.5,  0.5,  1. ])
于 2017-01-10T19:36:29.913 回答