BP神经网络预测遇到一个疑问，麻烦过来看看

数学不烦

7 \. ]0 U% Z1 e% _4 R9 l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。
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。

clear
- s/ m! g+ @! p- Y. Uclc
%输入数据--以一列作为一个输入数据
x1=[227.5 286.9 236.3 300.6 243.0];
x2=[286.9 236.3 300.6 243.0 354.1];
, O. |9 ?: r* O, `+ jx3=[236.3 300.6 243.0 354.1 294.1];
& y5 t. a" \/ G8 M3 Q' D) O: Gx4=[300.6 243.0 354.1 294.1 361.4];
x5=[243.0 354.1 294.1 361.4 333.7];
x6=[354.1 294.1 361.4 333.7 426.4];
$ F. I: j# u" ]- y; sx7=[294.1 361.4 333.7 426.4 434.4];
x8=[361.4 333.7 426.4 434.4 449.9];
- {: k/ {$ A/ F2 K2 ix9=[333.7 426.4 434.4 449.9 431.9];
' S* _0 q, J' _) p0 R
P=[x1;x2;x3;x4;x5;x6;x7;x8;x9]';
# ^2 D6 \1 K" E, C2 R! V%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];
" u. |0 M$ R# J5 Uy2=[294.1 361.4 333.7 426.4 434.4];
y3=[361.4 333.7 426.4 434.4 449.9];
% c5 e+ N9 z7 u0 Oy4=[333.7 426.4 434.4 449.9 431.9];
y5=[426.4 434.4 449.9 431.9 454.0];
5 A1 U7 b  S9 O$ Y8 Jy6=[434.4 449.9 431.9 454.0 655.6];
, @  L0 y0 h) T9 `" Ay7=[449.9 431.9 454.0 655.6 907.0];
y8=[431.9 454.0 655.6 907.0 1112.5];
y9=[454.0 655.6 907.0 1112.5 1401.1];

. p2 o: }% p. j" x' Y& |! wT=[y1;y2;y3;y4;y5;y6;y7;y8;y9]';
, X# n! q# K$ A+ d$ c" Y
%归一化
% [P,minp,maxp,T,mint,maxt] = premnmx(P,T);
%建立网络
7 i9 X% U$ U/ k4 ^7 N4 a%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
%{'tansig','purelin'}与[10,3]对应，意思为隐含层 与 输出层
%'traingdm' 表示调整权重，缩小误差的数学函数
%↓创建一个新的前向神经网络  
+ {/ z- C+ m9 @5 t* t7 ?9 u2 ~net = newff(minmax(P),[6,5],{'tansig','purelin'},'traingdm')
1 l" B2 m6 G. t# {4 H
, ]2 T8 b0 R6 Z& v- ]! V* ^* W%  当前输入层权值和阈值
inputWeights = net.IW(1,1)
inputbias = net.b(1)

& p- k" r0 k' V. `- _%  当前网络层权值和阈值
layerWeights = net.LW(2,1)
layerbias = net.b(2)
- T5 i. z' ~8 p5 N( R* E$ u
# E/ m# ]5 [) m%  设置训练参数
net.trainParam.show = 50;
: a& l3 h  q" y3 P( bnet.trainParam.lr = 0.05;
* F' |9 [( t1 E: C/ }/ \net.trainParam.mc = 0.9;
& q9 N$ x% d5 V1 enet.trainParam.epochs = 10000;  %每计算10000次出一次结果
% v; _% z& x5 U0 Q6 P3 L; W  o" ]net.trainParam.goal = 1e-6;     %期望达到的误差（认为是合适的误差）

%  调用 TRAINGDM 算法训练 BP 网络
[net,tr] = train(net,P,T);      
. m& |6 c3 a& d& X% ]
: t+ `# O2 }+ D5 e4 a9 Y) n%  对 BP 网络进行仿真
A = sim(net,P);                 %A为输出结果
* X5 t1 A) I2 \# V
%反归一化
8 `) ?, Q0 o; W2 c4 p6 f) B%  A = postmnmx(A,mint,maxt);
2 X& c+ t2 H) h; J5 x5 o, x
* v3 p5 k' _+ A) T- }: J- p%  计算仿真误差  
" E% `7 l" ?6 Y; Z# @! J$ iE = T-A;                        %原来的输出 - 训练输出 = 误差
2 }5 t$ t0 Z3 w) w: s. HMSE = mse(E)                    %输出误差

& I( W7 j& S7 s6 d. \/ y/ k/ C%下面是输入数据，测试结果
x=[454.0 655.6 907.0 1112.5 1401.1]';
Y = sim(net,x)
1 I- a3 P: r/ q) g* N

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