BP神经网络预测遇到一个疑问，麻烦过来看看

数学不烦

! l! ?. K% C& J. `- s( U
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。
$ `! w/ @; H$ e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。
4 M" ^/ i' T6 a, H1 Z
clear
clc
( Z3 |% j: f$ v+ N%输入数据--以一列作为一个输入数据
$ z/ n: N" z+ y7 O! }/ Fx1=[227.5 286.9 236.3 300.6 243.0];
- a: G. J% G4 T: H' r- ^+ ex2=[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];
, U7 z3 [) U- n* `  `  b+ i: Cx5=[243.0 354.1 294.1 361.4 333.7];
x6=[354.1 294.1 361.4 333.7 426.4];
5 u" k. m  a. x/ n& s0 S4 l9 `5 Xx7=[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];

& [* j& e; r' z! Y+ y# x. ~" T* IP=[x1;x2;x3;x4;x5;x6;x7;x8;x9]';
- }$ U4 S) G8 E) Z: g; t5 w$ v%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];
; H0 o% O& o6 C: E/ Xy3=[361.4 333.7 426.4 434.4 449.9];
, @( _& M0 o7 fy4=[333.7 426.4 434.4 449.9 431.9];
; T4 L% D) a7 x4 |y5=[426.4 434.4 449.9 431.9 454.0];
3 H; `% u& d, Ny6=[434.4 449.9 431.9 454.0 655.6];
  ]! p0 H/ `# k. j+ A1 K) Xy7=[449.9 431.9 454.0 655.6 907.0];
5 @  x3 d- c& {2 ?' Y! ^y8=[431.9 454.0 655.6 907.0 1112.5];
$ N5 H1 {: }2 j$ `2 K/ t4 Ry9=[454.0 655.6 907.0 1112.5 1401.1];
/ ^+ d' y9 u& |* S. b' N; ^
9 q0 j) Z) E5 t# @1 r/ s5 hT=[y1;y2;y3;y4;y5;y6;y7;y8;y9]';
- e' ~/ f" G5 {% e# O4 [" D
  t' ~- z' w+ o7 N# E- y0 {5 l%归一化
% [P,minp,maxp,T,mint,maxt] = premnmx(P,T);
' f2 i% b& w+ w8 z. w# P%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
' }9 w1 q/ S0 P& m! [' o' o3 a%'traingdm' 表示调整权重，缩小误差的数学函数
& W2 ?9 s" o2 U$ o* H* M%↓创建一个新的前向神经网络  
net = newff(minmax(P),[6,5],{'tansig','purelin'},'traingdm')

0 d) N7 k# G% o7 Q% P0 c& L3 D%  当前输入层权值和阈值
/ s# R) N: g. ?' [: H2 n7 rinputWeights = net.IW(1,1)
inputbias = net.b(1)

%  当前网络层权值和阈值
layerWeights = net.LW(2,1)
layerbias = net.b(2)

- O2 w% V% f7 B%  设置训练参数
* S" F; S; K7 X; vnet.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
! A& H) y! ?& d" f" Y6 e/ Xnet.trainParam.goal = 1e-6;     %期望达到的误差（认为是合适的误差）
' x+ X0 ~8 \' V1 M% p/ q$ W7 E
%  调用 TRAINGDM 算法训练 BP 网络
7 u( y0 d3 i0 T! r8 }+ }[net,tr] = train(net,P,T);      
2 G& y! G+ d( v- p  w# }
%  对 BP 网络进行仿真
A = sim(net,P);                 %A为输出结果
. E9 m. }& [6 l  V3 n
%反归一化
  b: W) ~( j* \. k% H%  A = postmnmx(A,mint,maxt);
/ h# {# Y- f! N: Y8 [% l
%  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

%下面是输入数据，测试结果
x=[454.0 655.6 907.0 1112.5 1401.1]';
. V1 U, f7 z5 `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