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。
3 @0 Z  p& Q/ A6 L5 Q" ]8 d, I9 @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。

: E' Q8 D: \4 B. Cclear
; g+ X) F0 G0 D5 e, C. Q' `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];
! K+ H) j2 v3 b: N3 Bx2=[286.9 236.3 300.6 243.0 354.1];
3 `  V1 m& `" i& v! W& q: V# hx3=[236.3 300.6 243.0 354.1 294.1];
; e" Y+ M( _' c9 ^: r2 ex4=[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];
1 B% _2 P* T; [, ~& \- Gx7=[294.1 361.4 333.7 426.4 434.4];
! m$ s: M( C1 e8 G7 Yx8=[361.4 333.7 426.4 434.4 449.9];
6 T5 M2 ]7 R5 x. zx9=[333.7 426.4 434.4 449.9 431.9];

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
& P/ O8 T/ {4 Sy1=[354.1 294.1 361.4 333.7 426.4];
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];
# k* V8 M' n6 B  `8 c' z+ sy5=[426.4 434.4 449.9 431.9 454.0];
y6=[434.4 449.9 431.9 454.0 655.6];
6 {" X* ~3 i; ^* c& [7 Wy7=[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];
/ B. Y  o7 k1 G& }$ Y4 `
8 E' g; |/ m* b8 VT=[y1;y2;y3;y4;y5;y6;y7;y8;y9]';

%归一化
% [P,minp,maxp,T,mint,maxt] = premnmx(P,T);
3 q" i4 I" ^! w0 W) S%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
! ^0 f) h$ S) ~  p1 ^& X. L6 E%'traingdm' 表示调整权重，缩小误差的数学函数
/ {  F$ e. l, A( c% }. h%↓创建一个新的前向神经网络  
( a7 b! `7 P6 inet = newff(minmax(P),[6,5],{'tansig','purelin'},'traingdm')
5 m6 N! D9 v" I6 L: m: u
%  当前输入层权值和阈值
inputWeights = net.IW(1,1)
  P" X* n) Y/ V6 d; {* t3 r4 ^, Rinputbias = net.b(1)
7 X+ M8 W& E' o2 {
%  当前网络层权值和阈值
layerWeights = net.LW(2,1)
& }6 P! A& ]4 \( B1 j% ^layerbias = net.b(2)

%  设置训练参数
net.trainParam.show = 50;
net.trainParam.lr = 0.05;
net.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）

%  调用 TRAINGDM 算法训练 BP 网络
[net,tr] = train(net,P,T);      

%  对 BP 网络进行仿真
# b# J8 q  i4 z6 `, oA = sim(net,P);                 %A为输出结果

" E+ d0 h3 ^  i5 x8 t, v%反归一化
1 E5 A. Q! u1 u6 s%  A = postmnmx(A,mint,maxt);

%  计算仿真误差  
$ [" U4 C6 t9 x( _3 @4 g* VE = T-A;                        %原来的输出 - 训练输出 = 误差
6 j% R) H* x2 x: c3 s. M6 BMSE = mse(E)                    %输出误差

%下面是输入数据，测试结果
, `' [! l5 v+ I! F8 fx=[454.0 655.6 907.0 1112.5 1401.1]';
! N  t, D4 \5 N  z( D1 u) D  ~Y = sim(net,x)
8 P5 T, {2 \( V

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