BP神经网络预测遇到一个疑问，麻烦过来看看

数学不烦

2 C+ V; E% w0 W" n. [9 C) M3 E
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。
0 F! U' J) `0 o+ U+ F3 e
' {% n  k; g) d1 p5 Kclear
; X/ d) K/ e$ y& ^% _% r; F  `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];
x2=[286.9 236.3 300.6 243.0 354.1];
  t0 G2 P8 Y. s3 X7 ~, X! Rx3=[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];
x7=[294.1 361.4 333.7 426.4 434.4];
) ^9 L. W* y- i! i. _x8=[361.4 333.7 426.4 434.4 449.9];
8 D4 m( V0 V& px9=[333.7 426.4 434.4 449.9 431.9];

& E- G2 M* g! u3 q' bP=[x1;x2;x3;x4;x5;x6;x7;x8;x9]';
%输出数据--以一列作为一个输出数据
y1=[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];
: R$ A+ t% D' Q3 I' B* @: vy4=[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];
y7=[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];
: h! ^6 t/ l7 d% E
% M# \% R8 ^, g9 iT=[y1;y2;y3;y4;y5;y6;y7;y8;y9]';

+ s# L3 I/ H" i8 x5 U%归一化
% [P,minp,maxp,T,mint,maxt] = premnmx(P,T);
%建立网络
$ d% c: O# U& P5 z7 P6 y- z* u7 W%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
%'traingdm' 表示调整权重，缩小误差的数学函数
: {1 E0 Q$ _7 [) S, c! b2 `%↓创建一个新的前向神经网络  
net = newff(minmax(P),[6,5],{'tansig','purelin'},'traingdm')

4 {" z5 I" t% D# N1 Y* w%  当前输入层权值和阈值
7 R3 O/ Y9 R  X+ p. ~+ _3 sinputWeights = net.IW(1,1)
6 }; ~0 K4 A$ C0 Z8 y" g9 Uinputbias = net.b(1)

%  当前网络层权值和阈值
layerWeights = net.LW(2,1)
  V3 Y! N" Y/ e5 U' I* P& S- ]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
. y9 N' [( [& r/ t3 }$ gnet.trainParam.goal = 1e-6;     %期望达到的误差（认为是合适的误差）
/ }/ [) l' y# m$ C" W
/ L7 ?1 |2 X' Q8 N( n# |" y%  调用 TRAINGDM 算法训练 BP 网络
( ~$ [9 s+ x* ?3 c& y, _; s8 x6 Q[net,tr] = train(net,P,T);      
& s* }; |; P0 i( Y1 V; G* ?& ~1 ?  O6 I
%  对 BP 网络进行仿真
A = sim(net,P);                 %A为输出结果

%反归一化
%  A = postmnmx(A,mint,maxt);

9 W4 R* X' R8 @%  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
' j% d$ x3 J% L' E/ A5 |7 P) M2 p% I
%下面是输入数据，测试结果
x=[454.0 655.6 907.0 1112.5 1401.1]';
0 T- {& U4 Q& S" VY = sim(net,x)
- J0 Z& ]: B0 `. m( L8 M+ Y

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