归一化基本上是将两个信号带到相同的范围或预定义的范围。a 的一个典型例子predefined range是归一化的统计感知，它正在转换信号，使其平均值为，标准差为。在这样的变换之后，获得了规范形式。用外行的话来说，这样的操作包括减去最小值并除以范围（最大值和最小值之间的差）。$0$$1$

将所有信号转换为这种规范形式可以简化和加强比较过程，并满足不同的需求，例如可视化和分析。如果我们从图像标准化的角度来说，效果如下：

未标准化：

标准化：

请注意，颜色之间的区别更加清晰和明显。

用户 Fat32 有一个他/她删除的答案，这很好。

在比较两个不同的信号时，它们意味着两种不同的事物（但对于信号携带的信息同样重要或具有同等重要性），您是否期望比较两个信号，一个具有 1 的值，另一个具有没有幅度至少为左右的样本？$\pm$$2^{-8}$

规范化意味着您没有将大象与虫子进行比较。至少在质量方面不是。除非你让虫子看起来和大象一样大，然后你开始比较是什么让虫子与大象不同。

这个问题太模糊了。规范化可以通过多种方式完成，并用于许多不同的目的。例如，除了@tbirdal 用于图像处理的示例之外，我还可以想到其他示例。一个非常简单的信号是我们知道信号是 其中 ,和和是确定性的。在这种情况下，为了比较两个信号，逻辑归一化是计算 现在

$$\begin{align} y_1(t) &= x_1(t) + n_1(t) \\ y_2(t) &= x_2(t) + n_2(t) \end{align}$$ $n_1(t)\sim\mathcal{N}(0,\sigma^2)$$n(t)\sim\mathcal{N}(0,\sigma_2^2)$$x_1(t)$$x_2(t)$ $$\begin{gather} z_1(t) = \frac{y_1(t)}{\sigma_1} \\ z_2(t) = \frac{y_2(t)}{\sigma_2}. \end{gather}$$ $z_1(t)$并且具有方差为 1 的噪声。优点是现在如果大于，则您知道具有更好的信噪比 (SNR)。$z_2(t)$$z_1(t)$$z_2(t)$$z_1(t)$