BP神经网络预测遇到一个疑问，麻烦过来看看

数学不烦

1 G: R0 ~% g, m( E7 Y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。
1 f; L& Y" `4 n& O6 ]4 e* s, N
clear
" J6 M  l- j4 Hclc
' |  I4 c5 S" _. j* G%输入数据--以一列作为一个输入数据
4 C, A+ L" ^$ i7 h9 i/ i: s& Gx1=[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];

$ P% f( n% p. cP=[x1;x2;x3;x4;x5;x6;x7;x8;x9]';
% _4 r% P" n% x2 K%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];
! P8 c& h* C& b* x% K: e6 j* E6 ^y3=[361.4 333.7 426.4 434.4 449.9];
y4=[333.7 426.4 434.4 449.9 431.9];
$ w3 q: E  h% O* z5 a0 Jy5=[426.4 434.4 449.9 431.9 454.0];
y6=[434.4 449.9 431.9 454.0 655.6];
y7=[449.9 431.9 454.0 655.6 907.0];
' e3 [3 b0 W, e! }" Ny8=[431.9 454.0 655.6 907.0 1112.5];
7 m! ]  E: \8 V8 R1 Oy9=[454.0 655.6 907.0 1112.5 1401.1];
! J% s0 A- I4 {2 v" C7 s
' U7 A1 @# h& d1 Y6 X; iT=[y1;y2;y3;y4;y5;y6;y7;y8;y9]';
# Y: E2 `$ o% H5 S+ P% L) P
  n4 y* j& r. F, p%归一化
% [P,minp,maxp,T,mint,maxt] = premnmx(P,T);
%建立网络
/ F. g) a; A# I  `) f3 D+ V9 H%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
/ o& P+ X# s5 w) H%{'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
$ J* S5 h: W/ C3 F- v%↓创建一个新的前向神经网络  
net = newff(minmax(P),[6,5],{'tansig','purelin'},'traingdm')
) a* j6 c2 F4 r* h
+ A5 g  ^: w" x3 S%  当前输入层权值和阈值
inputWeights = net.IW(1,1)
' N8 T5 D) S  ~! Cinputbias = net.b(1)

+ ]" U: o2 B+ h, T%  当前网络层权值和阈值
& C$ L' x# ^  u; J2 o- ], ~layerWeights = net.LW(2,1)
layerbias = net.b(2)

%  设置训练参数
+ {6 n/ |2 P4 }3 ~6 M4 n0 Unet.trainParam.show = 50;
+ @: u' S: N7 C: Onet.trainParam.lr = 0.05;
+ t; F3 U- g& h" U- \) X7 inet.trainParam.mc = 0.9;
net.trainParam.epochs = 10000;  %每计算10000次出一次结果
. W$ V: u; w6 N8 }& L8 xnet.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);      
( e! r# ]; Y+ w5 w* X
%  对 BP 网络进行仿真
A = sim(net,P);                 %A为输出结果

%反归一化
8 ?, Z5 v4 ?, g% N4 M%  A = postmnmx(A,mint,maxt);

3 J$ @! H0 U  f0 p" P9 {1 m0 [%  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
& [( r& j0 U6 s
%下面是输入数据，测试结果
: m2 f% u8 l% ~2 \' fx=[454.0 655.6 907.0 1112.5 1401.1]';
Y = sim(net,x)
. M( ]. \9 v1 A0 N6 J" @

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