Question

我目前正在尝试规范化复杂值。由于我没有这么做的好方法，我决定将我的数据集分成两部分，包括仅包含实部的数据和仅包含虚部的数据。

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

然后用

分别标准化每个

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

在规范化之后，两个数据集是否应该合并，以便它返回到一个具有复杂值的数据集？，但是我该怎么做？

完成数据标准化，使得我可以使用tanh作为激活函数，其在范围-0.9至0.9 =＆gt;范围内操作。这就是为什么我需要将数据集标准化为这些范围。

Answer 1

基本上，将涉及两个步骤：

沿实轴和虚轴偏移所有数字。
除以每个最大值。大小。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()

运行验证的示例

让我们从一个至少有一个[0+0j]和另外两个元素的数组开始 - [x1+y1*J]＆amp; [y1+x1*J]。因此，归一化后的幅度应为每个1。

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。在归一化之后，这不应该改变它们的大小 -

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，让我们添加另一个与偏移原点相距两倍的元素，以确保这个新元素的幅度为1，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. ])

在NumPy / Python中规范化复杂值

1 个答案: