BP神经网络预测遇到一个疑问，麻烦过来看看

数学不烦

( W  W1 E  A8 _
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。

clear
clc
5 _: F+ y2 t( W5 v%输入数据--以一列作为一个输入数据
* h  ~8 t7 ?: W+ Ax1=[227.5 286.9 236.3 300.6 243.0];
" i: m6 X8 ^% o$ }x2=[286.9 236.3 300.6 243.0 354.1];
' G) n1 h" S( ?x3=[236.3 300.6 243.0 354.1 294.1];
) u, t! P# Z5 d& S* wx4=[300.6 243.0 354.1 294.1 361.4];
x5=[243.0 354.1 294.1 361.4 333.7];
x6=[354.1 294.1 361.4 333.7 426.4];
x7=[294.1 361.4 333.7 426.4 434.4];
) l# s" `! ]; T# L+ Dx8=[361.4 333.7 426.4 434.4 449.9];
x9=[333.7 426.4 434.4 449.9 431.9];
& I' U5 B& K- I. Z
3 P0 W- n7 W' E6 e% }) vP=[x1;x2;x3;x4;x5;x6;x7;x8;x9]';
4 V6 i. m! W1 W7 d%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];
; Q! i+ P  A7 x* L  ~1 T" Ey2=[294.1 361.4 333.7 426.4 434.4];
9 E! t7 r; R% J9 D( p. E9 w3 d$ v  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];
7 t, h+ A6 S* q' b7 W- By8=[431.9 454.0 655.6 907.0 1112.5];
y9=[454.0 655.6 907.0 1112.5 1401.1];

T=[y1;y2;y3;y4;y5;y6;y7;y8;y9]';
) a+ T, k- z' S
) G& x# D4 m, o! G  w1 l9 j9 t%归一化
: g1 t( L1 F9 t: w% [P,minp,maxp,T,mint,maxt] = premnmx(P,T);
2 R0 J: p6 b0 n7 p( K% o: H/ V%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
%'traingdm' 表示调整权重，缩小误差的数学函数
* M) \' }2 I; B2 y4 X%↓创建一个新的前向神经网络  
net = newff(minmax(P),[6,5],{'tansig','purelin'},'traingdm')
; `/ P( A4 l4 X* a0 I& q2 d+ t& v$ m
%  当前输入层权值和阈值
inputWeights = net.IW(1,1)
& ?+ {9 B& r; r9 k9 sinputbias = net.b(1)

' F5 W& z, x! s" i  h. u%  当前网络层权值和阈值
layerWeights = net.LW(2,1)
9 T  q0 E# W. }* A" ylayerbias = net.b(2)

%  设置训练参数
net.trainParam.show = 50;
$ J9 A! O9 H* @) ~net.trainParam.lr = 0.05;
! I; @8 r6 b6 F9 j- nnet.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）

%  调用 TRAINGDM 算法训练 BP 网络
[net,tr] = train(net,P,T);      

1 ^" I/ G* S% k0 f+ Y( @%  对 BP 网络进行仿真
A = sim(net,P);                 %A为输出结果
/ H1 p7 n# i. J+ S8 M( O
%反归一化
# q" P6 X* e. X1 S; M%  A = postmnmx(A,mint,maxt);

2 i5 V2 [1 t3 K  e5 V  o%  计算仿真误差  
+ n7 U* D3 k6 R$ j  @: sE = T-A;                        %原来的输出 - 训练输出 = 误差
MSE = mse(E)                    %输出误差

" q: Q7 h  r4 e) C$ n%下面是输入数据，测试结果
  M% Z. ]2 \# }( B- R6 _/ nx=[454.0 655.6 907.0 1112.5 1401.1]';
Y = sim(net,x)
& ~6 t  H4 r# f* K

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？