BP神经网络预测遇到一个疑问，麻烦过来看看

数学不烦

' ]9 Q# j  t- H7 ?) Z: k* V
) m0 G$ C0 A1 z各位朋友，有一个问题请教你们。   我用BP神经网络做预测的时候（下面是我的代码）遇到一个问题。  首先我尝试在代码里面不把数据归一化，这样的出来的结果很差（R=0.46）.但我把数据作归一化 与 反归一化 之后 确实R提高了很多（R=0.99），这时问题就来了，请看最下面的测试结果代码，那里只有输入（没有输出，因为是预测），premnmx 归一化要有输出的变量T，但我只有输入数据，没有输出数据，因此反归一的结果（最后的预测结果）也无法做到。那么我的预测就不是做不了吗？  很纠结，查了很多资料了，还是不知道怎么解决。
4 |" z9 o0 _+ Z+ O# V国赛准备到了，希望热心的朋友懂的不吝赐教，我把问题写得很认真，希望各位能帮我解决这个问题，谢谢了。
$ x$ H  x$ j0 C/ H' O/ k4 u. A" Q
clear
clc
6 F1 g# i9 O( C%输入数据--以一列作为一个输入数据
! C" v0 C5 {0 |9 k; @$ Wx1=[227.5 286.9 236.3 300.6 243.0];
x2=[286.9 236.3 300.6 243.0 354.1];
x3=[236.3 300.6 243.0 354.1 294.1];
6 T& B1 n! t$ A' Z0 M3 S$ Z, K$ ox4=[300.6 243.0 354.1 294.1 361.4];
1 o4 b' X8 q, xx5=[243.0 354.1 294.1 361.4 333.7];
x6=[354.1 294.1 361.4 333.7 426.4];
x7=[294.1 361.4 333.7 426.4 434.4];
x8=[361.4 333.7 426.4 434.4 449.9];
, R, j9 w, e# m/ p6 w& f5 Y3 Ex9=[333.7 426.4 434.4 449.9 431.9];

, W, L! W; O! U; H% ^( GP=[x1;x2;x3;x4;x5;x6;x7;x8;x9]';
/ Q  Q( t; Z2 H2 l6 w3 F* X; B%输出数据--以一列作为一个输出数据
y1=[354.1 294.1 361.4 333.7 426.4];
y2=[294.1 361.4 333.7 426.4 434.4];
8 I5 N; a' p. ny3=[361.4 333.7 426.4 434.4 449.9];
y4=[333.7 426.4 434.4 449.9 431.9];
y5=[426.4 434.4 449.9 431.9 454.0];
. x: i- N& P' `9 [: U" r9 L! u- `' X# w7 @y6=[434.4 449.9 431.9 454.0 655.6];
y7=[449.9 431.9 454.0 655.6 907.0];
y8=[431.9 454.0 655.6 907.0 1112.5];
8 A4 v! q3 ]3 H) g3 F7 ky9=[454.0 655.6 907.0 1112.5 1401.1];
+ J- N+ n4 v: k: N7 D. F7 s
T=[y1;y2;y3;y4;y5;y6;y7;y8;y9]';
1 u$ p- o, K" }
%归一化
& ^0 J3 ^; \& ~5 @% [P,minp,maxp,T,mint,maxt] = premnmx(P,T);
%建立网络
%其中[10,3]代表有一个隐含层，里面有10个神经元；“3”代表有三个输出数据
+ G) Q$ m7 p' U6 l% S%{'tansig','purelin'}与[10,3]对应，意思为隐含层 与 输出层
8 \4 {  ~5 {8 g2 [# G%'traingdm' 表示调整权重，缩小误差的数学函数
9 w: E) w  k& `+ ~%↓创建一个新的前向神经网络  
net = newff(minmax(P),[6,5],{'tansig','purelin'},'traingdm')

%  当前输入层权值和阈值
( F/ Z1 e9 u& b+ ~( VinputWeights = net.IW(1,1)
/ A. r& s6 ~; t- `2 Z: f- o% zinputbias = net.b(1)
2 _, D2 A9 M& X7 t0 D, j; P4 C
! E% Q7 L. R0 B( O%  当前网络层权值和阈值
layerWeights = net.LW(2,1)
layerbias = net.b(2)
  E" o' l7 ]4 {" a* I+ X$ a0 d
  N2 W0 e% N" G%  设置训练参数
" ]& G  C8 V* U; qnet.trainParam.show = 50;
net.trainParam.lr = 0.05;
net.trainParam.mc = 0.9;
net.trainParam.epochs = 10000;  %每计算10000次出一次结果
net.trainParam.goal = 1e-6;     %期望达到的误差（认为是合适的误差）

: t) P" D0 @1 i%  调用 TRAINGDM 算法训练 BP 网络
[net,tr] = train(net,P,T);      

3 D( V9 E/ A" E* ^  J4 D- }%  对 BP 网络进行仿真
4 Z5 K* d) i7 R2 k4 B; A; M0 D9 Z$ WA = sim(net,P);                 %A为输出结果
6 i7 @2 `! G, D' N' I
%反归一化
5 y) c7 z, z" |) x" X+ w9 {%  A = postmnmx(A,mint,maxt);
$ I" E9 M. ?& u" _( Y, l
%  计算仿真误差  
E = T-A;                        %原来的输出 - 训练输出 = 误差
MSE = mse(E)                    %输出误差
. G9 h# K, B8 P5 o; b
0 U0 C! u) H* d# m/ `%下面是输入数据，测试结果
x=[454.0 655.6 907.0 1112.5 1401.1]';
; L6 d6 M, Y$ jY = sim(net,x)
  n" S- z: x$ B; ]

magic2728

要进行预测，必须有对应的新的输入量，你的在哪里？

kaito1412

用mapminmax可以对P,T分别归一化

狼之魂汪洋

不知道你最后是怎么解决的，感觉你最后预测的时候没有把输入数据进行归一化，即要对x进行归一化，再对y进行反归一化，这是我的看法，不知道对不对