ostad20

سلام
مرسی بابت پاسخ گویی
اگر در سوال دوم این کار را ورودی برای بردار انجام بدهیم آنگاه تمام ورودی های شبکه داری مولفه های صفر خواهد بود و برداری را که به شبکه بدهیم داری همین مقادیر صفر می باشد. و به این ترتیب نمی توان شبکه عصبی را آموزش داد چون تمام مولفه های هر بردار ورودی دارای مقدار صفر خواهد بود
من در شبکه عصبی قصد دارم ورودی هایی را به شبکه عصبی بدهم، ابتدا قصد دارم آن را نرمال کنم، این ورودی ها به صورت دسته ای وارد شبکه می شوند، مثلا 10 تا بردار که دارای سه مولفه هستد، بعد از آموزش شبکه قصد دارم نتیجه عدد بدست آمده را در یک کد دیگر قرار دهم و به تولید داده هایی اقدام نمایم که داده های تولید شده در این کد جدید به عنوان ورودی به شبکه عصبی دیگر مورد استفاده قرار میگیرد ولی این بار مقادیر ورودی به شبکه به صورت تک بردار خواهد بود نه به صورت دسته ای یعنی هر بار ورودی به شبکه یک بردار سه مولف ای می باشد، برای این ورودی جدید نیز باید داده ها نرمال شوند اما نمیدانم به چه صورت آن را باید نرمال کنم؟
یعنی نمیدانم در هر دو شبکه ای که قصد دارم آن را مورد استفاده قرار دهم چطور داده ها را نرمال کنم و در هر دو شبکه آن را مورد استفاده قرار دهم.
بنابراین از شما تقاضا دارم با توجه به توضیحات فوق بهترین کار را که برای نرمال سازی می توان انجام داد و در هر دو شبکه به طور یکسان اعمال کرد به من پیشنهاد دهید
با تشکر
شرمنده بابت سوالات بسیاری که از شما پرسیدم

ostad20

سلام
یک سوال در مورد شبکه عصبی برام پیش آمده
اگر داده های ورودی را همانند روش اولی که گفتید نرمال کنیم (بر اساس اندازه بردار) با توجه به اینکه داده های حاصل از این نرمال سازی در بازه صفر تا مثبت یک قرار می گیرند اگر بخواهیم آن را به شبکه عصبی بدهیم آنگاه اگر از تابع tansig برای لایه پنهان استفاده کنیم آیا برای شبکه عصبی مشکلی پیش نمی آید؟ یا اینکه باید طور دیگری نرمال سازی را انجام داد؟
با تشکر