BP神经网络预测遇到一个疑问，麻烦过来看看

数学不烦

. T4 ?; V2 P4 u, x
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。
! S  e2 i; ]$ E, b/ o
clear
/ x" I# a9 V1 S. Dclc
%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];
0 R/ C+ c7 E7 N, Bx2=[286.9 236.3 300.6 243.0 354.1];
# T1 P$ x; f3 I6 l7 m) Ox3=[236.3 300.6 243.0 354.1 294.1];
' d4 ]6 W/ P, l) Rx4=[300.6 243.0 354.1 294.1 361.4];
x5=[243.0 354.1 294.1 361.4 333.7];
; j1 I$ \3 L6 K# r! I$ H  Ix6=[354.1 294.1 361.4 333.7 426.4];
1 R, \6 P  {0 C7 r5 b& O9 A& cx7=[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];
  [8 f- i5 [, l) w" Q$ T2 s& W/ |
' a5 i' t# c' ?: GP=[x1;x2;x3;x4;x5;x6;x7;x8;x9]';
' \+ B2 P5 j7 q2 s# p3 m3 T# x1 {%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];
. g( ?3 k/ d( Iy2=[294.1 361.4 333.7 426.4 434.4];
y3=[361.4 333.7 426.4 434.4 449.9];
4 X# y% a6 x) u6 ~, Ry4=[333.7 426.4 434.4 449.9 431.9];
) V8 B) U* p) P" ~) {/ Y0 fy5=[426.4 434.4 449.9 431.9 454.0];
; W' i6 l3 K; X  S) B. s0 Q  `y6=[434.4 449.9 431.9 454.0 655.6];
" e/ c7 a. o/ n; X. R8 yy7=[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];
6 s; H" N  d6 W& B- I3 L
* Q8 g  k" o3 l9 a0 CT=[y1;y2;y3;y4;y5;y6;y7;y8;y9]';

%归一化
% [P,minp,maxp,T,mint,maxt] = premnmx(P,T);
%建立网络
9 \8 B$ o+ {6 l* u%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
%↓创建一个新的前向神经网络  
& W, C) r4 h+ z7 Bnet = newff(minmax(P),[6,5],{'tansig','purelin'},'traingdm')

%  当前输入层权值和阈值
inputWeights = net.IW(1,1)
& N% n8 Y& @( C5 @9 einputbias = net.b(1)

%  当前网络层权值和阈值
layerWeights = net.LW(2,1)
- ~. [0 m0 t# Q$ Jlayerbias = net.b(2)
) i/ S+ G/ p# V# d% ^
: L  U7 v  X# S( z%  设置训练参数
net.trainParam.show = 50;
net.trainParam.lr = 0.05;
" d, B/ T, b9 x, A* N7 Vnet.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）
) g1 h% V. P3 z/ [  G+ s$ D2 B- c
. B+ \  q# E( o$ g/ _3 ?%  调用 TRAINGDM 算法训练 BP 网络
" V. d' K0 q% I[net,tr] = train(net,P,T);      
1 P1 ]/ K, A- t' N$ V$ t
1 ~% O5 H% q2 x+ u%  对 BP 网络进行仿真
A = sim(net,P);                 %A为输出结果

%反归一化
% r% J3 _, t6 J0 e9 y3 J%  A = postmnmx(A,mint,maxt);

%  计算仿真误差  
2 z9 [2 U9 Z* Z8 C+ GE = T-A;                        %原来的输出 - 训练输出 = 误差
* a/ S% a3 ]/ \3 T" N# _" p0 A  jMSE = mse(E)                    %输出误差
4 n: X" P; G' x4 ^6 b- V
%下面是输入数据，测试结果
x=[454.0 655.6 907.0 1112.5 1401.1]';
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