在此代码中，提供了 14 种方法来规范化数据。 将未归一化（或原始）的数据输入到特定的方法中，得到相应的归一化数据。

内容概要：文中对信号、白噪声的增益分别进行了推导。结合Matlab仿真进行了验证。 适合人群：对雷达信号处理感兴趣的人员 能学到什么：1）增益计算公式；3）算法的Matlab实现。 阅读建议：学习过程要结合仿真程序与文档。

2、零中心归一化瞬时幅度的紧致性--四阶矩 该参数主要用来区分AM信号和ASK信号。AM 具有较高的紧致性，而ASK紧致性较小。 3、零中心归一化瞬时频率的紧致性 该参数主要用来区分FM信号和FSK信号。FM具有较高的紧致性，而FSK紧致性较小。

使用python，将txt文件反归一化，并输出为excel数据表

归一化层，目前主要有这几个方法，Batch Normalization（2015 年）、Layer Normalization （2016 年）、Instance Normalization（2017 年）、Group Normalization（2018 年）、Switc hable Normalization（2018 年）

提取信号七个基于瞬时信息的特征：零中心归一化瞬时幅度功率谱密度的最大值,零中心归一化瞬时幅度绝对值的标准偏差，零中心非弱信号段瞬时相位非线性分量绝对值标准偏差，零中心非弱信号段瞬时相位非线性分量标准偏差，零中心归一化的非弱信号段瞬时频率绝对值的标准偏差，一个信号段的归一化瞬时频率功率谱密度的最大值，根据信号 QPSK 和16QAM在 XI 轴投影的不同表现，提出特征参数。

#Sintax print ( zscore ( data )) ＃输入 [[2104. 3.] [1600. 3.] [2400. 3.] [1416. 2.] [3000. 4.] [1985. 4.] [1534. 3.] [1427. 3.] [1380. 3.] [1494. 3.]] ＃输出 [[ 0.5313 -0.1857] [-0.4605 -0.1857] [ 1.1138 -0.1857] [-0.8225 -2.0426] [ 2.2945 1.6713] [ 0.2971 1.6713] [-0.5903 -0.1857] [-0.8009 -0.1857] [-0.8934 -0.1857] [-0.6691 -0.1857]]

针对GrabCut算法在图像分割中存在迭代求解耗时长、分割结果欠分割的问题，提出了一种基于非归一化直方图改进的GrabCut算法。在保留GrabCut第一次分割结果的基础上，通过非归一化直方图计算像素点属于前景或背景的方法来代替高斯混合模型迭代学习的过程；在构图过程中引入一类新的节点Bin进行构图以提高分割精度。选取MSRA1000数据集中部分图片进行实验验证，结果表明该算法在分割效果和效率上都有明显的提升，在进行背景复杂图像的分割时改进算法优势更加明显。

数据标准化（归一化）处理是数据挖掘的一项基础工作，不同评价指标往往具有不同的量纲和量纲单位，这样的情况会影响到数据分析的结果，为了消除指标之间的量纲影响，需要进行数据标准化处理，以解决数据指标之间的可比性。原始数据经过数据标准化处理后，各指标处于同一数量级，适合进行综合对比评价。以下是三种常用的归一化方法： min-max标准化（Min-Max Normalization） 也称为离差标准化，是对原始数据的线性变换，使结果值映射到[0 , 1]之间。转换函数如下：    其中max为样本数据的最大值，min为样本数据的最小值。这种方法有个缺陷就是当有新数据加入时，可能导致max和min的变

虹膜分割与图像归一化，去掉内外圆之外的部分，原理是直接对所有的像素点依次进行检验，比较它们到圆心的距离与所给圆的半径的大小，据此划分内外点