BP神经网络预测遇到一个疑问，麻烦过来看看

数学不烦

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。
# @, l  [# T' u0 D2 B! I
clear
clc
  ~  j( {8 e2 @, m9 D%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];
2 n) ^/ {6 z0 u0 R2 P1 z& B9 jx4=[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];
x8=[361.4 333.7 426.4 434.4 449.9];
x9=[333.7 426.4 434.4 449.9 431.9];
/ s7 C3 k, ?2 K
* z$ a; c  n; M# PP=[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];
4 L1 p6 h0 Y* r8 Dy2=[294.1 361.4 333.7 426.4 434.4];
# H8 g" |) q& i; z; I" X" O- Yy3=[361.4 333.7 426.4 434.4 449.9];
$ b) g2 w1 m% Sy4=[333.7 426.4 434.4 449.9 431.9];
y5=[426.4 434.4 449.9 431.9 454.0];
4 [1 S) T. ]* u5 h, By6=[434.4 449.9 431.9 454.0 655.6];
/ H2 a% C) q& D6 x9 R8 w9 jy7=[449.9 431.9 454.0 655.6 907.0];
y8=[431.9 454.0 655.6 907.0 1112.5];
) C' ]0 i# K$ H/ l/ e1 ly9=[454.0 655.6 907.0 1112.5 1401.1];
  |" [' t; z' t, u. z
T=[y1;y2;y3;y4;y5;y6;y7;y8;y9]';
9 V6 m! ]& {7 h3 G) n2 n/ S3 L
%归一化
% [P,minp,maxp,T,mint,maxt] = premnmx(P,T);
' A; N. g4 R/ j) ?%建立网络
2 a7 G2 Q- }3 ]%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
! G+ v& x' h$ i%↓创建一个新的前向神经网络  
1 h2 Y: o6 x: M+ @6 |net = newff(minmax(P),[6,5],{'tansig','purelin'},'traingdm')
3 r8 r/ @0 r* E
%  当前输入层权值和阈值
2 v5 @3 z& j" v, N0 I4 finputWeights = net.IW(1,1)
inputbias = net.b(1)

2 v6 j( v3 X# ]%  当前网络层权值和阈值
layerWeights = net.LW(2,1)
layerbias = net.b(2)
+ H9 j. e' r) u9 Y  u# l/ h% J  b4 j
%  设置训练参数
2 v4 [+ J) X$ o7 Q$ ?net.trainParam.show = 50;
net.trainParam.lr = 0.05;
net.trainParam.mc = 0.9;
net.trainParam.epochs = 10000;  %每计算10000次出一次结果
' A' B5 Z" Q6 Q# D9 _% L6 n/ Qnet.trainParam.goal = 1e-6;     %期望达到的误差（认为是合适的误差）

; z  j3 m0 r6 i2 [%  调用 TRAINGDM 算法训练 BP 网络
[net,tr] = train(net,P,T);      
9 J$ j. w1 h$ ]: I# S( {
2 L# h; e. j" G1 ?%  对 BP 网络进行仿真
& a' z# [- i6 A5 f' J) IA = sim(net,P);                 %A为输出结果
$ E8 s6 v* q8 Q# c
%反归一化
+ e, T3 c8 C8 D# R0 h4 O( V" R%  A = postmnmx(A,mint,maxt);
3 m9 f! s& d# M7 n
%  计算仿真误差  
E = T-A;                        %原来的输出 - 训练输出 = 误差
9 f* g5 m& G" \# G* fMSE = mse(E)                    %输出误差

%下面是输入数据，测试结果
0 |4 Q2 e- b2 v+ W1 bx=[454.0 655.6 907.0 1112.5 1401.1]';
4 W3 L8 O" z' y; rY = sim(net,x)
" ?/ C3 t2 D/ J- M- i' P4 g

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？