BP神经网络预测遇到一个疑问，麻烦过来看看

数学不烦

6 g1 s0 U3 p/ z8 j3 Q/ J' Z! w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。
4 g! a$ _4 v  a( Y1 {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。

/ v7 m& B2 ~8 n; m' `: Aclear
4 W9 q' Y  _& a8 c' v9 Eclc
%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];
x3=[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];
7 K, w$ o5 u: y. Y2 yx6=[354.1 294.1 361.4 333.7 426.4];
: Z0 ^7 a9 I: H, fx7=[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];
2 Y- ?) J4 S3 ?0 Y5 k; ~' p0 H; P) k
" \2 H) K7 y& t0 c  eP=[x1;x2;x3;x4;x5;x6;x7;x8;x9]';
4 N  h, ]6 }' M  i%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];
& {0 W  W5 p4 Cy2=[294.1 361.4 333.7 426.4 434.4];
% X" n- p  E( v6 E$ ]* D0 yy3=[361.4 333.7 426.4 434.4 449.9];
y4=[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];
* |* B! B9 f2 Q& my7=[449.9 431.9 454.0 655.6 907.0];
( n# y  v4 t, @$ \' l& _& s% o( |* i( cy8=[431.9 454.0 655.6 907.0 1112.5];
y9=[454.0 655.6 907.0 1112.5 1401.1];
( Z& u7 {( F" ^4 I
) ?' x. \1 v' H* DT=[y1;y2;y3;y4;y5;y6;y7;y8;y9]';
8 s5 Y/ [) [/ [- u7 Q: _7 V
%归一化
% [P,minp,maxp,T,mint,maxt] = premnmx(P,T);
# S* g- c$ X8 V, d* P( [%建立网络
  G! r* j( U( Q) y/ a/ U; ?* h4 X3 N8 I%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
; ~+ ]- a7 [8 B$ M( B# E9 J' W0 \  ^%'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  
net = newff(minmax(P),[6,5],{'tansig','purelin'},'traingdm')
# p" e2 w! \0 r. q% f0 ^; L
%  当前输入层权值和阈值
inputWeights = net.IW(1,1)
5 C" B9 c4 r3 w0 T! I1 ^inputbias = net.b(1)
8 T' ?; ?4 B3 E8 I- Z5 V
, f& M  n& I8 K5 Q& m$ y3 G%  当前网络层权值和阈值
layerWeights = net.LW(2,1)
' c- H  e# F( J* O7 l6 z9 g' f1 Vlayerbias = net.b(2)

' h8 e2 r7 W, ~- T- F%  设置训练参数
net.trainParam.show = 50;
net.trainParam.lr = 0.05;
+ v! j; c( ]( L* u! \) znet.trainParam.mc = 0.9;
# M7 ~1 O- {# o4 u- X! Dnet.trainParam.epochs = 10000;  %每计算10000次出一次结果
5 b7 p& Z, O; ?; G* G. T1 U$ anet.trainParam.goal = 1e-6;     %期望达到的误差（认为是合适的误差）

* i7 h2 }3 N. \; a: ]%  调用 TRAINGDM 算法训练 BP 网络
[net,tr] = train(net,P,T);      
, C% a  ?( T. ?: {. ^
%  对 BP 网络进行仿真
5 O7 z, s/ p% }, QA = sim(net,P);                 %A为输出结果
! L( W' e$ B/ V3 O$ V, R5 z3 T5 o
/ p' x3 _! m( u) f* Z3 ^  ^%反归一化
# Z" l" U6 V# K- o: x. F$ P%  A = postmnmx(A,mint,maxt);

%  计算仿真误差  
- [) l9 u  @; R; GE = T-A;                        %原来的输出 - 训练输出 = 误差
+ y" x3 H9 p; v0 f& `7 rMSE = 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]';
. i5 @! f2 S- K+ n" n7 i5 R: oY = sim(net,x)
$ _8 D! L" i2 L4 z- ~

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