一、mapminmax
Process matrices by mapping row minimum and maximum values to [-1 1]
意思是將矩陣的每一行處理成[-1,1]區間，此時對於模式識別或者其他統計學來說，數據應該是每一列是一個樣本，每一行是多個樣本的同一維，即對於一個M*N的矩陣來說，樣本的維度是M，樣本數目是N，一共N列N個樣本。
其主要調用形式有：
1. [Y,PS] = mapminmax(X,YMIN,YMAX) % 將矩陣的每一行壓縮到 [YMIN，YMAX]，其中當前行的最大值變為YMAX，最小值變為YMIN
2. [Y,PS] = mapminmax(X,FP) %其中FP為結構體類型，這時就是將矩陣的每一行壓縮到[FP.ymin, FP.ymax]中
例如：
x=[2,3,4,5,6;7,8,9,10,11]; mapminmax(x,0,1) fp.ymin=0; %fp為結構體類型 fp.ymax=1; mapminmax(x,fp)
3. Y = mapminmax('apply',X,PS) %ps為一種映射關系 對其他數值進行歸一化時，這個數必須要在xmin 和xmax之間，不然歸一化的結果，與整體進行歸一化，結果會不一樣
4. X = mapminmax('reverse',Y,PS) % 反歸一化 得到原來的值
5. dx_dy = mapminmax('dx_dy',X,Y,PS) %不常用 根據給定的矩陣X、標准化矩陣Y及映射PS，獲取逆向導數(reverse derivative)。如果給定的X和Y是m行n列的矩陣，那么其結果dx_dy是一個1×n結構體數組，其每個元素又是一個m×n的對角矩陣
%-----------------------------------------------------------------------------------------------------------------------------------------------------------------------%
mapminmax的數學公式為y = (ymax-ymin)*(x-xmin)/(xmax-xmin) + ymin。如果某行的數據全部相同，此時xmax=xmin，除數為0，則此時數據不變
%-----------------------------------------------------------------------------------------------------------------------------------------------------------------------%
二、mapstd 標准化
Process matrices by mapping each row's means to 0 and deviations to 1:將矩陣的每一行映射為0均值1方差的數據。
主要調用形式有：
1. [Y,PS] = mapstd(X,ymean,ystd) % 均值為ymean, 方差為ystd
2. [Y,PS] = mapstd(X,FP)
3. Y = mapstd('apply',X,PS)
4. X = mapstd('reverse',Y,PS)
5. dx_dy = mapstd('dx_dy',X,Y,PS)
和mapminmax類似的，1和2式是對數據X進行標准化，其中ymean和ystd是期望得到數據的每一行的均值和方差，同樣的，我們也可以用一個結構體包含 ymean 和ystd進行帶入
%-----------------------------------------------------------------------------------------------------------------------------------------------------------------------%
mapstd公式為y = (x-xmean)*(ystd/xstd) + ymean。如果設置的ystd=0，或某行的數據全部相同(此時xstd =0)
mean默認是對每一列求均值，mean(x,2)是對每一行求均值，std函數默認求的是標准差的無偏估計，有三種用法，s = std(X)，s = std(X,flag)，s = std(X,flag,dim)
其中flag是無偏估計的參數，flag=0是無偏估計，即默認 是無偏估計，flag=1是有偏估計，dim表示對第幾維求方差，std(X,0,2)表示對X的每一行做無偏的標准差估計。