BP神经网络预测遇到一个疑问，麻烦过来看看

数学不烦

! \9 U0 [0 J7 Y2 v. L# m, b& |
2 a: ]3 Z7 s' U; q" @( o! `; Q; p! n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。
' s9 F% C6 `/ b
( G6 X, n' [9 T+ t8 V, ?clear
clc
/ P9 T. U8 v4 A% ?) G8 z%输入数据--以一列作为一个输入数据
- x8 `+ q4 D+ g9 m5 H6 \8 h# Bx1=[227.5 286.9 236.3 300.6 243.0];
/ k) z8 V7 ^. s% r) @x2=[286.9 236.3 300.6 243.0 354.1];
) j6 H& U6 @2 c7 zx3=[236.3 300.6 243.0 354.1 294.1];
x4=[300.6 243.0 354.1 294.1 361.4];
9 Z. Q5 u4 [" s  L! Tx5=[243.0 354.1 294.1 361.4 333.7];
2 }" f% M4 i$ _1 {x6=[354.1 294.1 361.4 333.7 426.4];
x7=[294.1 361.4 333.7 426.4 434.4];
x8=[361.4 333.7 426.4 434.4 449.9];
9 W- ?9 U6 @/ V! ^- lx9=[333.7 426.4 434.4 449.9 431.9];
4 u/ T: W' R8 M( r4 N7 k
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
$ L0 E  ?5 _/ hy1=[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];
' H  [1 A( X% I, `. Gy5=[426.4 434.4 449.9 431.9 454.0];
* v8 e: G1 m/ X0 ?4 J+ \y6=[434.4 449.9 431.9 454.0 655.6];
8 Q' u$ Q6 G  u0 o% Q/ ?; Cy7=[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];

1 R' G; r" m! z& PT=[y1;y2;y3;y4;y5;y6;y7;y8;y9]';
; \0 {% _  s6 u7 w
7 h& `+ c1 B+ d, Q. v%归一化
% [P,minp,maxp,T,mint,maxt] = premnmx(P,T);
%建立网络
4 S. o' V* ^; U: s9 X  |) Y2 P) Y%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
6 k8 S! ^+ y7 O: P%↓创建一个新的前向神经网络  
net = newff(minmax(P),[6,5],{'tansig','purelin'},'traingdm')
$ h) r! v4 W; e$ `+ y5 {. M1 m9 I
1 u  D, R2 Z% m0 Y5 J%  当前输入层权值和阈值
6 j' N& T. d& d1 TinputWeights = net.IW(1,1)
inputbias = net.b(1)

7 T9 T' ?) J5 i# p%  当前网络层权值和阈值
6 l- ^" Q, C7 c6 b) L. v- ulayerWeights = net.LW(2,1)
$ j# I& Z/ Z3 {layerbias = net.b(2)
7 l) l; |& j2 o- g' |9 I7 o( d
% |* r9 f+ u# X! F3 K7 _% D$ q# w%  设置训练参数
net.trainParam.show = 50;
net.trainParam.lr = 0.05;
net.trainParam.mc = 0.9;
- m. K$ G: C4 q7 g$ y, e0 {; anet.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);      
* y' }4 P0 F7 y7 d
# P+ b6 s: I5 E& \8 v$ V9 z%  对 BP 网络进行仿真
) U9 C, u- s& W; W, ~' G; bA = sim(net,P);                 %A为输出结果
1 r  ?1 s, O: i
" S' i* {8 V2 K. O! y  q: _1 K%反归一化
%  A = postmnmx(A,mint,maxt);

%  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
" Z7 \' i- n- A' Z% K
%下面是输入数据，测试结果
4 l1 O# C. S8 ^x=[454.0 655.6 907.0 1112.5 1401.1]';
, f, x" F0 {/ t6 X  y" P2 LY = sim(net,x)
: Y8 u! f. {' s$ @& z, h+ o# u' A9 K

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