BP神经网络预测遇到一个疑问，麻烦过来看看

数学不烦

5 y# V* N! j; _) `% P! f5 s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
clc
/ p1 s" v+ R/ o' |4 N%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];
* D9 s% [+ f8 P! a+ Hx5=[243.0 354.1 294.1 361.4 333.7];
x6=[354.1 294.1 361.4 333.7 426.4];
- w( _$ B% x( y; }/ Ox7=[294.1 361.4 333.7 426.4 434.4];
x8=[361.4 333.7 426.4 434.4 449.9];
3 m/ g/ p) @1 p1 c% l. bx9=[333.7 426.4 434.4 449.9 431.9];
- ]1 }; g& V) ~" d7 y* g
P=[x1;x2;x3;x4;x5;x6;x7;x8;x9]';
* j+ Z* X. L' \' {3 R" _5 P%输出数据--以一列作为一个输出数据
' g0 z- {4 A: R( ?) cy1=[354.1 294.1 361.4 333.7 426.4];
* W  V" ?) x+ j; Py2=[294.1 361.4 333.7 426.4 434.4];
9 n0 t3 q9 h0 G$ I" R* Zy3=[361.4 333.7 426.4 434.4 449.9];
6 u- s. _* q6 r  Y8 ]2 ay4=[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];
" M! t$ k% K1 c9 X  e2 K) G! y: zy7=[449.9 431.9 454.0 655.6 907.0];
y8=[431.9 454.0 655.6 907.0 1112.5];
( M- E$ r1 S& w0 I+ B- }y9=[454.0 655.6 907.0 1112.5 1401.1];
) N: ^! q( M8 D7 T" c' h8 D
T=[y1;y2;y3;y4;y5;y6;y7;y8;y9]';
% l9 Y4 }! w6 U8 c8 u
%归一化
- q4 X0 s7 [: a5 Q: X* 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
+ `% l$ k2 o: m" F( G%'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  
; m; w, l2 F( g# U5 |net = newff(minmax(P),[6,5],{'tansig','purelin'},'traingdm')
; s* T0 P, x/ ^
%  当前输入层权值和阈值
inputWeights = net.IW(1,1)
6 v+ O7 V+ G% x, V' E+ Hinputbias = net.b(1)
( {( }3 E& v$ h% E
: E- U( X$ S1 ^+ ?# B%  当前网络层权值和阈值
) I: G$ W! D% ~layerWeights = net.LW(2,1)
% V: b/ t# j* Llayerbias = net.b(2)

%  设置训练参数
+ Y; m, E3 T, x2 Cnet.trainParam.show = 50;
net.trainParam.lr = 0.05;
' }, L% D( }. vnet.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）
. f* q# A+ D: S1 y- Z& J5 C
%  调用 TRAINGDM 算法训练 BP 网络
[net,tr] = train(net,P,T);      
3 P, {9 V3 r. z1 R& N0 o$ c* p
$ ?% y7 s5 Z9 K" P%  对 BP 网络进行仿真
A = sim(net,P);                 %A为输出结果
$ D' y5 S' U, d, u4 N8 I2 J0 X
%反归一化
. n  C( _" m' T: u: \7 x4 ]%  A = postmnmx(A,mint,maxt);

' g1 _3 n8 }  Q' |) w%  计算仿真误差  
E = T-A;                        %原来的输出 - 训练输出 = 误差
5 x$ o( e, u% C2 j8 ]MSE = mse(E)                    %输出误差
2 S6 J# W5 `) W  Q+ r. @
%下面是输入数据，测试结果
  }9 ~3 |- N5 ?! G7 y( rx=[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