最小最大归一化抛弃了复杂的部分？答案

【问题标题】：Minmax normalization cast away the complex part?最小最大归一化抛弃了复杂的部分？
【发布时间】：2017-05-13 08:02:21
【问题描述】：

我目前正在尝试规范化包含复数的 numpy.ndarray，但由于某种原因，我的实现抛弃了复杂的部分。为什么？...

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

【问题讨论】：

您期望复数的最小值是多少？ 3+4j 或 4+3j 哪个更小？是的，NumPy 忽略了虚部。您可以使用 np.imag(X).min() 将其考虑在内，但首先，对于复数来说，“极小极大标准化”意味着什么？
神经网络如何处理复数？..对神经网络的输入进行了归一化..我怎样才能对其进行归一化？
什么是标准化？
好点.. 是否有不同的方式进行标准化，使其介于
ndarray 包含复数

【解决方案1】：

复数的最小值或最大值是一个未定义的概念。这就是为什么 NumPy 在取数组的最大值或最小值时会忽略虚部。

通常，规范化包括居中和缩放。

复数数组中心的自然概念是包含它们的最小磁盘的中心。但是这个（切比雪夫中心）有点难以计算。一种更简单的居中方法是采用包含数字的最小轴对齐矩形。这涉及分别查看实部和虚部的最大/最小值：

a = (np.real(X).min() + np.real(X).max())/2.0
b = (np.imag(X).min() + np.imag(X).max())/2.0
Y = X - complex(a, b)

接下来，缩放。看起来您希望数字的绝对值最多为 0.9。这可以通过使用Y的元素绝对值的最大值来排列。

return 0.9*Y/np.abs(Y).max()

这不是唯一可以继续的方法；但对我来说，以上似乎是您的代码最直接地适应复杂情况。

【讨论】：