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。

5 Q" H, p2 j- D, A2 F' R. X, {; Eclear
clc
%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];
! n; p+ }: e/ tx2=[286.9 236.3 300.6 243.0 354.1];
x3=[236.3 300.6 243.0 354.1 294.1];
. J+ ]  e% p0 o- d) A$ g9 S1 @5 V4 |x4=[300.6 243.0 354.1 294.1 361.4];
x5=[243.0 354.1 294.1 361.4 333.7];
( W3 e- K0 u' ^8 v4 lx6=[354.1 294.1 361.4 333.7 426.4];
+ V% P: Y8 I! K( {4 I% r3 qx7=[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];

9 s/ [  a# G" {* n( l) Y6 l# {/ jP=[x1;x2;x3;x4;x5;x6;x7;x8;x9]';
%输出数据--以一列作为一个输出数据
+ W8 h) M( M" k8 \- \- X6 X( a/ @y1=[354.1 294.1 361.4 333.7 426.4];
y2=[294.1 361.4 333.7 426.4 434.4];
0 n2 j2 f& X/ E" Ky3=[361.4 333.7 426.4 434.4 449.9];
y4=[333.7 426.4 434.4 449.9 431.9];
, a7 D3 V. ]9 P3 Y5 ly5=[426.4 434.4 449.9 431.9 454.0];
y6=[434.4 449.9 431.9 454.0 655.6];
& G+ Q* I3 f, t2 Oy7=[449.9 431.9 454.0 655.6 907.0];
y8=[431.9 454.0 655.6 907.0 1112.5];
- d" n2 V/ {( w* }1 f- F) _y9=[454.0 655.6 907.0 1112.5 1401.1];
8 v, c; D& Q. x1 Z
: M7 T, _/ v& h1 O% Z/ u5 X1 q" ET=[y1;y2;y3;y4;y5;y6;y7;y8;y9]';
# e% f$ v* R* Z$ u; _
%归一化
% [P,minp,maxp,T,mint,maxt] = premnmx(P,T);
+ N6 m2 q3 l6 H$ G4 _$ N/ H, w%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
) H/ j# P6 a  \7 {: C9 I# U+ Z%{'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
# v. k4 O$ C) O%↓创建一个新的前向神经网络  
net = newff(minmax(P),[6,5],{'tansig','purelin'},'traingdm')
  t3 S. c+ E  m' B
%  当前输入层权值和阈值
inputWeights = net.IW(1,1)
* D$ S4 s, i3 o0 G7 ginputbias = net.b(1)
2 I8 u7 X8 r; A
%  当前网络层权值和阈值
/ q$ l7 b2 N% m1 w+ ]7 }" X! l( n# V; A& ulayerWeights = net.LW(2,1)
layerbias = net.b(2)

6 v. P* R2 d0 t( z+ k+ E) W%  设置训练参数
net.trainParam.show = 50;
2 U# L: q" l8 Y8 T* z5 H- qnet.trainParam.lr = 0.05;
3 G$ O$ c& R# v2 s. @" H# H) j2 [net.trainParam.mc = 0.9;
% i  w# R& h+ e" \7 Znet.trainParam.epochs = 10000;  %每计算10000次出一次结果
+ A- u  \: ^9 O* w8 W, Tnet.trainParam.goal = 1e-6;     %期望达到的误差（认为是合适的误差）
2 f7 e! q" N+ T" s5 M
; H0 q9 |" V' |5 ^) {8 \9 E%  调用 TRAINGDM 算法训练 BP 网络
& ~, C: `) |7 s$ ]8 G- s[net,tr] = train(net,P,T);      

4 n" I1 E& d4 V1 @4 m& W%  对 BP 网络进行仿真
+ {; g0 B: A, K  }' j, K; Z2 SA = sim(net,P);                 %A为输出结果
# Q0 Z5 m2 o5 \# p. B
%反归一化
%  A = postmnmx(A,mint,maxt);
% ]. x. v& e4 L
%  计算仿真误差  
E = T-A;                        %原来的输出 - 训练输出 = 误差
1 n: C6 o- W- n- @MSE = mse(E)                    %输出误差

%下面是输入数据，测试结果
- J" v' K6 }9 G6 r. v8 W7 Z/ K9 dx=[454.0 655.6 907.0 1112.5 1401.1]';
4 l4 w# ?2 M# I* J3 u5 hY = 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