BP神经网络预测遇到一个疑问，麻烦过来看看

数学不烦

! \3 j* z, f4 i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。
+ W5 H& l$ n4 m+ [7 Q
clear
  `* i: O# d5 y6 Z/ vclc
%输入数据--以一列作为一个输入数据
' a6 m; s; Q; e9 o8 }; ?% Kx1=[227.5 286.9 236.3 300.6 243.0];
+ J5 J- Q  O, y, a% p3 D9 d$ Qx2=[286.9 236.3 300.6 243.0 354.1];
x3=[236.3 300.6 243.0 354.1 294.1];
( m. p9 r! L. f: h1 mx4=[300.6 243.0 354.1 294.1 361.4];
( R# a1 g: I' C- ]2 O3 xx5=[243.0 354.1 294.1 361.4 333.7];
& j$ f1 M" y( @$ E* @% S* cx6=[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];
! ~5 U  Y! }' D3 B5 E2 B; _x9=[333.7 426.4 434.4 449.9 431.9];
2 K, Z5 o* ]3 s" Y& ~! p
% p! N+ X  X6 F! e5 gP=[x1;x2;x3;x4;x5;x6;x7;x8;x9]';
%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];
" g" k2 V' Y# \  P9 M8 ?y3=[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];
y6=[434.4 449.9 431.9 454.0 655.6];
y7=[449.9 431.9 454.0 655.6 907.0];
! J$ q+ M# n7 R. Q* p) @y8=[431.9 454.0 655.6 907.0 1112.5];
y9=[454.0 655.6 907.0 1112.5 1401.1];

T=[y1;y2;y3;y4;y5;y6;y7;y8;y9]';

5 h) G" m8 A9 A& C6 e%归一化
0 N; N' ]' d* N% g7 h, T! b% [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
%'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')

9 ~3 s  {/ o7 R2 I, G%  当前输入层权值和阈值
- ^  n7 E" C; d: `! JinputWeights = net.IW(1,1)
inputbias = net.b(1)
. y' \: w+ C# L$ Z
%  当前网络层权值和阈值
layerWeights = net.LW(2,1)
layerbias = net.b(2)

+ z7 b& X% G% p, j%  设置训练参数
net.trainParam.show = 50;
. s. y" i1 b8 B& \net.trainParam.lr = 0.05;
net.trainParam.mc = 0.9;
net.trainParam.epochs = 10000;  %每计算10000次出一次结果
/ G1 p1 i) I" o& anet.trainParam.goal = 1e-6;     %期望达到的误差（认为是合适的误差）

% O# A; y5 L; g) y$ o0 }%  调用 TRAINGDM 算法训练 BP 网络
) \, d3 n& f$ }; D- z. `. H[net,tr] = train(net,P,T);      

& a- l& k( }, E: O: s# c1 |8 F0 X% x%  对 BP 网络进行仿真
7 B! a2 c) E/ z4 a* L8 EA = sim(net,P);                 %A为输出结果
. o# i9 _6 s. d* f: V5 A. \
%反归一化
%  A = postmnmx(A,mint,maxt);
8 L4 }4 c7 O% K3 j1 H9 C
%  计算仿真误差  
! ~( W4 N# ]1 b9 W; c. P& t- S7 OE = T-A;                        %原来的输出 - 训练输出 = 误差
MSE = mse(E)                    %输出误差

%下面是输入数据，测试结果
, L9 q! j, F' `0 g8 V& \' T& rx=[454.0 655.6 907.0 1112.5 1401.1]';
Y = sim(net,x)
, ]! W& t9 B  l1 u1 i1 y# y+ e

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