BP神经网络预测遇到一个疑问，麻烦过来看看

数学不烦

( u1 p; N' w1 H' q& z/ E
, L. K/ y/ F8 t# s2 }% T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
. C/ @! D; K% K* ?  |clc
) ~9 u4 Z/ e0 s%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];
x3=[236.3 300.6 243.0 354.1 294.1];
x4=[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];
x7=[294.1 361.4 333.7 426.4 434.4];
x8=[361.4 333.7 426.4 434.4 449.9];
x9=[333.7 426.4 434.4 449.9 431.9];
2 W8 ]# a& W4 z5 {
/ C  A) C' w) ^3 I$ j  E) cP=[x1;x2;x3;x4;x5;x6;x7;x8;x9]';
# X& t2 ?& A3 Q%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];
  |" }( w& I# H. Gy3=[361.4 333.7 426.4 434.4 449.9];
2 }; q. |, m/ }" `7 a3 G9 Qy4=[333.7 426.4 434.4 449.9 431.9];
y5=[426.4 434.4 449.9 431.9 454.0];
y6=[434.4 449.9 431.9 454.0 655.6];
' U4 c" e, M  v9 ~8 ]% I' @- sy7=[449.9 431.9 454.0 655.6 907.0];
y8=[431.9 454.0 655.6 907.0 1112.5];
6 y" q. @8 d; @# f4 Ey9=[454.0 655.6 907.0 1112.5 1401.1];
/ c2 o  t8 L6 l8 j
/ g2 W" M4 X8 OT=[y1;y2;y3;y4;y5;y6;y7;y8;y9]';

%归一化
3 B) n2 t2 i6 W% [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
%{'tansig','purelin'}与[10,3]对应，意思为隐含层 与 输出层
! }0 ~' R: s9 m! h%'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  
net = newff(minmax(P),[6,5],{'tansig','purelin'},'traingdm')

%  当前输入层权值和阈值
' P& [: k3 n- |" f: e7 VinputWeights = net.IW(1,1)
inputbias = net.b(1)

%  当前网络层权值和阈值
7 {/ l# B; B8 i$ k: h/ d5 dlayerWeights = net.LW(2,1)
) b& M( P) O# ]! ]layerbias = net.b(2)
( l3 i8 m5 v4 x: A5 @
%  设置训练参数
" b6 z, \$ \- _0 h7 a* ~net.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）
$ k( I  `% T3 f; Z. D: h
%  调用 TRAINGDM 算法训练 BP 网络
[net,tr] = train(net,P,T);      

3 n9 f4 W* L8 J%  对 BP 网络进行仿真
) _1 K% {7 s: k9 Q0 CA = sim(net,P);                 %A为输出结果

% t5 f- h0 q/ W" M%反归一化
%  A = postmnmx(A,mint,maxt);

1 z* L, ]: T6 T4 r2 [0 G9 u$ f%  计算仿真误差  
E = T-A;                        %原来的输出 - 训练输出 = 误差
  b: h5 G1 p4 @# }MSE = mse(E)                    %输出误差
$ M* D2 G+ D3 K: Z% N
3 W# Y( u1 r! \2 c$ c: f%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)

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