BP神经网络预测遇到一个疑问，麻烦过来看看

数学不烦

0 m2 c9 U' K, R4 I: g  D4 }
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。

! l0 X# r. v) \clear
8 S- o! c- L' i: S4 qclc
%输入数据--以一列作为一个输入数据
% e8 `( D! M8 O  o3 Ax1=[227.5 286.9 236.3 300.6 243.0];
. `8 l% N4 L$ |! Yx2=[286.9 236.3 300.6 243.0 354.1];
: ~, M* }$ ?3 u' L( O7 L9 \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];
3 b* t" _0 A& H  Fx6=[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];
x9=[333.7 426.4 434.4 449.9 431.9];

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
y1=[354.1 294.1 361.4 333.7 426.4];
# r% t4 Y- B; K+ T6 u+ u, \y2=[294.1 361.4 333.7 426.4 434.4];
6 m# q5 m  F: q" l. M% E+ 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];
y7=[449.9 431.9 454.0 655.6 907.0];
y8=[431.9 454.0 655.6 907.0 1112.5];
' ~( t+ W- H5 i! ^5 W2 Qy9=[454.0 655.6 907.0 1112.5 1401.1];
3 B7 f- D2 ~/ b: u' E
T=[y1;y2;y3;y4;y5;y6;y7;y8;y9]';
/ F2 `' O0 E- n9 j
! K) |: E* A$ R* Q%归一化
& C' v" a6 Q' I8 l; p! y% [P,minp,maxp,T,mint,maxt] = premnmx(P,T);
%建立网络
! I8 {" V* ~- g# O1 w2 A2 h7 n/ h+ q%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
& ]& \: {2 g- b" z%'traingdm' 表示调整权重，缩小误差的数学函数
5 C8 [9 B; i7 \5 k) ]9 j. K%↓创建一个新的前向神经网络  
1 Q& i  D  C8 |% Y* {net = newff(minmax(P),[6,5],{'tansig','purelin'},'traingdm')
' F7 U3 Z5 g' z6 _. n2 i
) F$ u0 W2 @7 v, }9 G6 L%  当前输入层权值和阈值
inputWeights = net.IW(1,1)
inputbias = net.b(1)
9 h9 m5 \- N  Z+ u3 d. ~* s# ?
%  当前网络层权值和阈值
layerWeights = net.LW(2,1)
layerbias = net.b(2)
* c6 Z2 X4 i* H+ s
%  设置训练参数
  `4 g) F- j  V8 f5 wnet.trainParam.show = 50;
net.trainParam.lr = 0.05;
net.trainParam.mc = 0.9;
4 L, l0 x0 S& S/ `3 v- ^net.trainParam.epochs = 10000;  %每计算10000次出一次结果
$ j. g8 Q' B: V2 Cnet.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
! m+ B0 i# F7 l9 V  b: L[net,tr] = train(net,P,T);      
0 l# O4 c" t$ L: P+ _# y
%  对 BP 网络进行仿真
+ h+ C4 H5 G: {/ N2 b( a6 G. L9 FA = sim(net,P);                 %A为输出结果

* b& A" z+ z5 A; `%反归一化
%  A = postmnmx(A,mint,maxt);
. [0 b- X' ]2 d& h
. O6 \/ g9 S' j( }5 l%  计算仿真误差  
8 \+ n5 ~" A" V% W9 ZE = T-A;                        %原来的输出 - 训练输出 = 误差
MSE = mse(E)                    %输出误差

/ _/ r: Q: q6 U$ y" p' L) c%下面是输入数据，测试结果
* o+ H5 w% P. A' P1 ~+ K' Z9 `x=[454.0 655.6 907.0 1112.5 1401.1]';
; U0 H( q) s8 ]. S* `Y = sim(net,x)
2 D7 s9 f; X- Y$ q- u- r4 ?

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

kaito1412

用mapminmax可以对P,T分别归一化

magic2728

要进行预测，必须有对应的新的输入量，你的在哪里？