量子力学中矩阵归一化怎么算，一阶矩阵归一化

矩阵归一化，说白了就是整体地乘一个系数，使矩阵的绝对值=1。

可能性分布函数也有归一化的要求，但详细要求与此略微不一样是要求该函数在全域的积分等于1。 故此归一就是归1。

归一化法有两种形式，一种是把数变为（0，1）当中的小数，一种是把有量纲表达式变为无量纲表达式。

主要是为了数据处理方便提出来的，把数据映射到0～1范围之内处理，更便捷迅速，应该归到数字信号处理范畴之内

相容矩阵是针对诱导范数性质的推广或者说弱化,引进的主要目标还是为了方便不等式的缩放,给出简单的误差上界,或者说就是为了对变量进行相对的程度的分离.因为理想化的性质 ||AB|| = ||A|| ||B|| 大多数情况下不成立,故此，只可以退而求其次.

注意三角不等式 ||A+B||

研究事物模糊性的一种数学方式。是用精确的数学工具,

对概念模糊或者系统复杂很难精确化...对样本实行分类，先据需选取适合的统计量-相似系数（或距离系数），建立样本序列直积空间上的模糊相容关系矩阵，使矩阵元素归一化。

标准化因素有以下哪些:

1、方便处理数据。

在一部分实质上问题中，我们得到的样本数据都是多个维度的，即一个样本是用多个特点来表征的。例如在预测房价的问题中，影响房价的原因有房子面积、卧室数量等，我们得到的样本数据就是相关房子面积与卧室数量的一部分样本点，这里的样本点对又被称为特点向量。很明显，这些特点的量纲和数值的量级都是明显不同的，在预测房价时，假设直接使用原始的数据值，既然如此那，他们对房价的影响程度将是明显不同的，而通过标准化处理，可以让不一样的特点具有一样的Scale。这样，在使用梯度下降法学习参数时，不一样特点对参数的影响程度就一样了。

简来说之，当原始数据不一样维度上的特点的尺度（单位）不完全一样时，需标准化步骤对数据矩阵进行预处理。

2、提高收敛速度。

大多数数据矩阵归一化后收敛速度会提高。

3、提高精度。

4、防止梯度爆炸。