BP神经网络预测遇到一个疑问，麻烦过来看看

数学不烦

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 J* j. d; P* T& w
clear
, G4 l5 V: e8 j+ sclc
9 {4 p. }2 s0 x' }+ {2 M%输入数据--以一列作为一个输入数据
, w4 ]) N. Z6 z0 |2 Y% V6 n. r0 Qx1=[227.5 286.9 236.3 300.6 243.0];
3 W/ A% b. P# W4 V1 ]2 w/ e- lx2=[286.9 236.3 300.6 243.0 354.1];
x3=[236.3 300.6 243.0 354.1 294.1];
$ z" L3 o( Y1 @x4=[300.6 243.0 354.1 294.1 361.4];
7 j8 G3 G* z+ h/ |: Zx5=[243.0 354.1 294.1 361.4 333.7];
& ^% h8 o/ E# xx6=[354.1 294.1 361.4 333.7 426.4];
. C# g2 H) |  cx7=[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];
# T3 o  z* i* V1 [' a
0 V" j& V' a8 E7 ~P=[x1;x2;x3;x4;x5;x6;x7;x8;x9]';
%输出数据--以一列作为一个输出数据
2 Q/ @+ j: a2 V0 J0 ]8 s  v1 s: Gy1=[354.1 294.1 361.4 333.7 426.4];
; V$ |0 `/ @4 h+ [. }& dy2=[294.1 361.4 333.7 426.4 434.4];
y3=[361.4 333.7 426.4 434.4 449.9];
8 }9 P! ~6 ?8 M- K0 Yy4=[333.7 426.4 434.4 449.9 431.9];
4 @3 ]5 H% q& ey5=[426.4 434.4 449.9 431.9 454.0];
" o- A9 V1 d) K% Z$ i4 J. Zy6=[434.4 449.9 431.9 454.0 655.6];
' O4 u$ |, x, Ny7=[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];

T=[y1;y2;y3;y4;y5;y6;y7;y8;y9]';
; M' D6 d+ n" C5 _" E
, g3 x  t- s# I8 x" s2 Z/ P; N%归一化
9 y" \) L' U- R  ~% O% [P,minp,maxp,T,mint,maxt] = premnmx(P,T);
) l& L, x4 u1 ^# F' D%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
' r! j4 p, k# w%'traingdm' 表示调整权重，缩小误差的数学函数
' w8 A* s# |) o: O%↓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
inputWeights = net.IW(1,1)
inputbias = net.b(1)

%  当前网络层权值和阈值
( k: a' m! p2 tlayerWeights = net.LW(2,1)
) J8 e! M4 S/ Xlayerbias = net.b(2)
4 T: e8 a; ~4 E4 j$ j) X5 L
% ^$ s2 J. P" n/ [9 k8 ~% e+ u7 E% W%  设置训练参数
net.trainParam.show = 50;
2 l) e" |$ ~2 F2 N) rnet.trainParam.lr = 0.05;
net.trainParam.mc = 0.9;
net.trainParam.epochs = 10000;  %每计算10000次出一次结果
/ F; n9 n( m1 I0 |net.trainParam.goal = 1e-6;     %期望达到的误差（认为是合适的误差）
. ?& G! L& m" J
%  调用 TRAINGDM 算法训练 BP 网络
[net,tr] = train(net,P,T);      
5 N9 r0 W  X2 a! `
%  对 BP 网络进行仿真
$ s8 x( q# O9 }6 L. I. YA = sim(net,P);                 %A为输出结果
' k2 {* T# j) |& M- A
%反归一化
9 k3 r5 a: U6 `4 D6 |6 Q%  A = postmnmx(A,mint,maxt);

%  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
( }+ `) C/ A( a5 `2 ~8 w
%下面是输入数据，测试结果
x=[454.0 655.6 907.0 1112.5 1401.1]';
. W, D& X3 u5 r1 zY = sim(net,x)
( Z( G$ y# [! @$ e8 Z$ C. I

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