标准化多个输出的错误

用于训练神经网络的最常见性能函数是平方误差（MSE）。但是，对于具有不同值范围的多个输出，具有均方根误差的训练倾向于优化输出元素的准确性，相对于输出元素，范围较小的值范围较宽。

例如，这里有两个目标元素的范围非常不同：

x = -1：0.01：1;t1 = 100*sin（x）;t2 = 0.01*cos（x）;t = [t1;T2];

范围T1为200（最少-100至最多100），而范围T2仅为0.02（从-0.01到0.01）。范围T1比范围大10,000倍T2。

如果您在此上创建并训练神经网络以最大程度地减少平方错误，则训练有利于第二个输出元件在第二个输出元件的相对准确性。

net = feedforwardnet（5）;net1 =火车（net，x，t）;

y = net1（x）;

在这里，您可以看到网络学会了很好地适合第一个输出元素。

图（1）图（x，y（1，:)，x，t（1，:)）

但是，第二个元素的功能不太合适。

图（2）图（x，y（2，:)，x，t（2，2，:)）

为了在相对意义上同样适合两个输出元素，请设置正常化性能参数至'标准'。然后，这可以计算出性能度量的错误，就好像每个输出元素的范围为2（即，好像每个输出元素的值范围从-1到1，而不是它们的不同范围）。

net.performparam.normalization ='标准';net2 =火车（net，x，t）;

y = net2（x）;

现在，两个输出元素都非常合适。

图（3）图（x，y（1，:)，x，t（1，:)）

图（4）图（x，y（2，:)，x，t（2，2，:)）