BP神经网络预测遇到一个疑问，麻烦过来看看

数学不烦

! |/ h+ J8 m" _  f$ U
" D  d3 K1 E( n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。
7 r6 a( u, H# I+ f2 }% l
clear
/ ^/ s, y/ b- ]+ E! K+ c3 sclc
%输入数据--以一列作为一个输入数据
/ K  _8 ^" J3 a% Sx1=[227.5 286.9 236.3 300.6 243.0];
) I1 @4 _+ e" [, q* y8 }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];
) H1 Z1 l  g: Q: c( C2 ?3 w/ D. Mx5=[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/ }4 y* n  A7 b9 qx8=[361.4 333.7 426.4 434.4 449.9];
3 z* Q: }3 @. fx9=[333.7 426.4 434.4 449.9 431.9];

" u3 C6 P7 m5 A0 GP=[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];
y2=[294.1 361.4 333.7 426.4 434.4];
% P% B' e8 D) Gy3=[361.4 333.7 426.4 434.4 449.9];
% v5 v) a  M) P5 ^) |y4=[333.7 426.4 434.4 449.9 431.9];
8 i3 d" N# T+ x0 n+ ?; ly5=[426.4 434.4 449.9 431.9 454.0];
) ]1 Y9 @; e. s: Jy6=[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];
( [! r/ ?" e3 q, qy9=[454.0 655.6 907.0 1112.5 1401.1];
9 q& S8 D2 b, x5 O. L
T=[y1;y2;y3;y4;y5;y6;y7;y8;y9]';
" h8 a/ J; }+ E2 w5 ^
%归一化
% [P,minp,maxp,T,mint,maxt] = premnmx(P,T);
0 X9 x" T6 J9 ^* [. V%建立网络
  r$ u! x" t3 M%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  
net = newff(minmax(P),[6,5],{'tansig','purelin'},'traingdm')

%  当前输入层权值和阈值
. I+ |, o1 Z5 Q4 ~9 S6 |. \. WinputWeights = net.IW(1,1)
inputbias = net.b(1)
+ x5 O, }0 ?8 \$ ^
%  当前网络层权值和阈值
1 e) e; U* e: Z% }2 alayerWeights = net.LW(2,1)
7 l7 Z- v, {: f- D/ c* D$ Nlayerbias = net.b(2)
1 k0 h9 U& N6 R9 z: M
%  设置训练参数
; g, G+ ~0 o2 H% w% ~' pnet.trainParam.show = 50;
1 P( g4 {  \4 W/ C2 C  O+ |net.trainParam.lr = 0.05;
, T6 B1 ^" ]4 F( vnet.trainParam.mc = 0.9;
net.trainParam.epochs = 10000;  %每计算10000次出一次结果
% G9 [& [2 @3 t8 L6 Y4 d& d, J. knet.trainParam.goal = 1e-6;     %期望达到的误差（认为是合适的误差）
6 t4 J  d- h- Y) f9 w0 g
  ^; {) }) p: Z" O: S%  调用 TRAINGDM 算法训练 BP 网络
/ M/ ]$ l+ s% h: t& d4 n9 S[net,tr] = train(net,P,T);      

3 H2 Y# X1 u# c7 K. j: G%  对 BP 网络进行仿真
9 S! {6 ?: @5 f! V. v. d8 ?3 UA = sim(net,P);                 %A为输出结果

%反归一化
% r8 o& _( |, S$ h% T! Y  A" f%  A = postmnmx(A,mint,maxt);

) n6 z% p, V. R& m1 i. m%  计算仿真误差  
E = T-A;                        %原来的输出 - 训练输出 = 误差
+ p- K/ `# L1 ?+ w% q+ IMSE = mse(E)                    %输出误差
3 o0 G, L! k4 R2 W0 ?2 H* n2 ?" c* D
# @/ Y# I# E  q" {; u- W%下面是输入数据，测试结果
x=[454.0 655.6 907.0 1112.5 1401.1]';
7 j7 L' n( B& [2 f, nY = sim(net,x)
$ D$ F. ^: w9 M( n( b

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？