根据“Jeff Heaton使用Java神经网络简介”，Kohonen神经网络的输入必须是介于-1和1之间的值。
可以预先确定范围已知的输入：
例如RGB（125,125,125），其中范围被称为0到255之间的值：
1.除以255：（125/255）= 0.5>＆gt; （0.5,0.5,0.5）
2.乘以2并减1：（（0.5 * 2）-1）= 0>＆gt; （0,0,0）
问题是我们如何将范围未知的输入标准化，例如我们的身高或体重。
另外，其他一些论文提到输入必须归一化为0到1之间的值。这是正确的方法，“-1和1”或“0和1”？
答案 0 :(得分：6)
您始终可以使用压缩功能将无限间隔映射到有限间隔。例如。你可以使用tanh.
您可能希望将tanh（x * l）与手动选择的l一起使用，以免在同一区域中放置太多对象。因此，如果您猜测数据的最大值为+/- 500，则可能需要使用tanh（x / 1000）作为映射，其中x是对象的值。甚至可能有意义地减去猜测x的均值，得到tanh（（x - mean）/ max）。
答案 1 :(得分：4)
根据我对Kohonen SOM的了解，他们的具体规范化并不重要。
嗯，它可能通过特定的选择来学习算法的参数值，但最重要的是输入点的不同尺寸必须具有相同的大小。
想象一下，每个数据点不是具有三个RGB分量的像素，而是具有一个国家的统计数据的矢量，例如，地区，人口，.... 对于学习部分的收敛来说，重要的是所有这些数字具有相同的大小。
因此，如果您不知道确切的范围并不重要，您只需要知道数据的特征幅度。
对于重量和尺寸，我确信如果你将它们分别分别减去200千克和3米，你的所有数据点都会落在0 1 1]的间隔内。你甚至可以使用50公斤和1米重要的是所有坐标都是1阶。
最后，您可以考虑在数据上运行一些线性分析工具（如POD），这些工具可以自动为您提供规范化数据的方法，以及用于初始化地图的子空间。
希望这有帮助。
