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。
/ K. t$ D/ z6 T7 F
clear
) G- C! j/ u& B* S4 j9 r/ j0 @clc
, W  J9 f! A; W  I$ x%输入数据--以一列作为一个输入数据
* }# e3 l, G# v  @% \7 px1=[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];
; ]$ o$ L+ i8 m+ |3 q, Ex7=[294.1 361.4 333.7 426.4 434.4];
x8=[361.4 333.7 426.4 434.4 449.9];
8 R3 P5 k* j) [6 Z8 n- @2 X1 O% K  kx9=[333.7 426.4 434.4 449.9 431.9];

P=[x1;x2;x3;x4;x5;x6;x7;x8;x9]';
# @+ b$ e5 I6 m. p: |( M%输出数据--以一列作为一个输出数据
7 v6 D: m4 M' ^) {' S! Oy1=[354.1 294.1 361.4 333.7 426.4];
$ C6 K: ]5 f' x' l, ?y2=[294.1 361.4 333.7 426.4 434.4];
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];
3 ]/ A, v+ U9 h  R  \  g/ _y6=[434.4 449.9 431.9 454.0 655.6];
# H1 D9 s2 \3 c+ s) D, O9 Ay7=[449.9 431.9 454.0 655.6 907.0];
1 _+ _, o) K2 Q+ U2 q# hy8=[431.9 454.0 655.6 907.0 1112.5];
4 ^# j& q9 r, Yy9=[454.0 655.6 907.0 1112.5 1401.1];

  @: e; Q# V. E  v4 \% uT=[y1;y2;y3;y4;y5;y6;y7;y8;y9]';
2 y2 a+ z- c/ d5 Y  Z4 a+ Z
%归一化
% E/ a9 [( p7 q6 c. W9 M% [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
! A' M3 T+ R, B%'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')

0 n1 M" O" i6 x%  当前输入层权值和阈值
# z% g/ Q! Z4 l; o% m' {inputWeights = net.IW(1,1)
) N" j6 Y  P' O+ ginputbias = net.b(1)
* c. V6 _8 d8 t. |/ f5 O
; p6 |, v0 T* A& Z% W* j%  当前网络层权值和阈值
% |7 n( f+ i8 z1 IlayerWeights = net.LW(2,1)
4 j$ @( p8 k9 x# h* ~8 Elayerbias = net.b(2)
  v" c" J3 _  |0 U; I4 B* L
%  设置训练参数
net.trainParam.show = 50;
$ D0 B2 P8 D* S2 h( ]" Qnet.trainParam.lr = 0.05;
net.trainParam.mc = 0.9;
net.trainParam.epochs = 10000;  %每计算10000次出一次结果
; I/ e5 f8 v& F% f" Z) anet.trainParam.goal = 1e-6;     %期望达到的误差（认为是合适的误差）
7 F5 h8 B9 p/ U1 C) C
%  调用 TRAINGDM 算法训练 BP 网络
[net,tr] = train(net,P,T);      

%  对 BP 网络进行仿真
" i4 E( r+ D/ q' w  p  r: S0 ^, lA = sim(net,P);                 %A为输出结果
, }4 q8 [. |/ I6 H
. n" u/ L* y7 ~%反归一化
3 k& h2 B' U5 a6 j+ G5 ^%  A = postmnmx(A,mint,maxt);

%  计算仿真误差  
# s& q3 H: [3 q, C& h9 vE = T-A;                        %原来的输出 - 训练输出 = 误差
MSE = mse(E)                    %输出误差
& _9 |0 ^7 E9 B" M, @
! H7 i' s# L9 @1 k  x  `7 s%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