个人理解这里的规范化处理指对提取后的特征集进行处理，不是对原始的数据信号进行处理，包括 归一化 和 标准化。
规范化的原因： 不同特征具有不同量级时会导致：a.数量级的差异将导致量级较大的特征占据主导地位；b.数量级的差异将导致迭代收敛速度减慢；c.依赖于样本距离的算法对于数据的数量级非常敏感。
归一化：
，也就是原数据减去该特征列最小值，再除以该特征列的极差，将属性缩放到[0,1]之间。
标准化：
,也就是原数据减去该特征列的均值，再除以该特征列的标准差。
注意：
1.所谓规范化是对特征列的规范化，不是对样本的特征向量规范化（如将一个人身高、年龄、体重等属性规范化没有意义）；
2.应将训练集和测试集分开后再规范化处理，测试集使用的是训练集保留下的参数（归一化的max、min，标准化的mean、std），也就是训练集规范化时使用自己的最大值最小值、均值方差，测试集规范化计算时仍使用训练集的最大值最小值、均值方差。
【例】
训练集两个样本，含三个特征，
，测试集也是两个样本，三个特征，
。
归一化： 由训练集得到参数 min=(1,2,3)，max=(2,3,4)，则
训练集第一维特征的第一个数据1的计算为
，测试集第二维特征的第一个数据1的计算为
.
标准化： 由训练集得到参数 mean=(3/2, 5/2, 7/2), std=(1/2, 1/2, 1/2)，则
训练集第一维特征的第一个数据1的计算为
,测试集第二维特征的第一个数据1的计算为
.
python实现：
可由 sklearn.preprocessing.MinMaxScaler 和 sklearn.preprocessing.StandardScaler 实现，训练集使用函数 fit_transform（）,测试集使用函数 transform（）。示例如下：
import numpy as np
from sklearn.preprocessing import MinMaxScaler #归一化：最值
from sklearn.preprocessing import StandardScaler #标准化：均值方差
#训练集，两行三列，两个样本、三个特征
x_train = np.array([[1.0,2.0,3.0],
[2.0,3.0,4.0]])
#测试集，两行三列，两个样本、三个特征
x_test = np.array([[1.0,1.0,1.0],
[2.0,2.0,2.0]])
# 特征缩放：归一化
mms = MinMaxScaler()
x_train_norm = mms.fit_transform(x_train)
x_test_norm = mms.transform(x_test)
print('\n归一化：\n')
print('x_train_norm:\n',x_train_norm)
print('\nx_test_norm:\n',x_test_norm, "\n")
# 特征缩放：标准化
stdsc = StandardScaler()
x_train_std = stdsc.fit_transform(x_train)
x_test_std = stdsc.transform(x_test)
print('\n标准化：\n')
print('x_train_std:\n',x_train_std)
print('x_test_std:\n',x_test_std)
运行结果：
参考
1.https://blog.csdn.net/zwqjoy/article/details/81182102
2.https://www.cnblogs.com/dearL/p/9532288.html
3.https://blog.csdn.net/anecdotegyb/article/details/74857055
4.https://www.cnblogs.com/dan-baishucaizi/p/9107858.html
