BP神经网络预测遇到一个疑问，麻烦过来看看

数学不烦

* k" A' z. x  n4 Y" Q, d
, G* ~# P4 y+ }, D; K! I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。
& U* J6 E2 q* c- c1 N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。
% [* J: x4 M3 L. J8 `; a3 q; U1 k
clear
. O. K8 o* i- [7 L" nclc
%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];
' f  c7 Y7 A" M" \2 T' Hx2=[286.9 236.3 300.6 243.0 354.1];
7 e5 I2 p7 |( v3 [/ A# J3 @+ nx3=[236.3 300.6 243.0 354.1 294.1];
, L0 }, r& D: D+ j% L( px4=[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];
  c# \: ?0 _* S: F+ J$ nx9=[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
6 Z4 A  w' f- W& ^1 Xy1=[354.1 294.1 361.4 333.7 426.4];
y2=[294.1 361.4 333.7 426.4 434.4];
% n) ], f$ D) z6 ry3=[361.4 333.7 426.4 434.4 449.9];
y4=[333.7 426.4 434.4 449.9 431.9];
2 Y$ t& p( c0 f3 ny5=[426.4 434.4 449.9 431.9 454.0];
y6=[434.4 449.9 431.9 454.0 655.6];
' J5 y( M/ A: ?# }; n  A) yy7=[449.9 431.9 454.0 655.6 907.0];
y8=[431.9 454.0 655.6 907.0 1112.5];
1 h8 n& V" |2 w3 Iy9=[454.0 655.6 907.0 1112.5 1401.1];

T=[y1;y2;y3;y4;y5;y6;y7;y8;y9]';
0 D( e! G* x1 P
%归一化
% [P,minp,maxp,T,mint,maxt] = premnmx(P,T);
  u' H$ {2 q2 y! G* 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
. I2 ]/ J. c# f. X6 T' L%'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')
8 T' D7 ^9 ^5 P
%  当前输入层权值和阈值
5 V* J* I% k( ~inputWeights = net.IW(1,1)
9 ?6 c% u- o* E& Winputbias = net.b(1)
* p& m7 ]4 @$ J' M* Z& y
' G* g: V4 |  C! p" H+ h%  当前网络层权值和阈值
layerWeights = net.LW(2,1)
layerbias = net.b(2)
- _7 \! r- s$ o1 m$ j2 {8 m
1 _% N  X/ ^! d6 Y0 h6 }%  设置训练参数
net.trainParam.show = 50;
) V+ r; z0 ]  E, F8 l% y! {+ Tnet.trainParam.lr = 0.05;
net.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）
7 L1 D' ^) h# |  \; p
%  调用 TRAINGDM 算法训练 BP 网络
+ R/ U8 w9 V1 a6 C7 S[net,tr] = train(net,P,T);      

' n1 Z' ]8 |/ H%  对 BP 网络进行仿真
A = sim(net,P);                 %A为输出结果
& B3 ?0 C# n) g) ]
%反归一化
  c6 e# l! r" D/ N( O%  A = postmnmx(A,mint,maxt);
- c/ e( P* f6 ^4 w
2 W0 }; D1 o* s7 L/ W%  计算仿真误差  
E = T-A;                        %原来的输出 - 训练输出 = 误差
( w+ V  S" N7 R% d0 x: UMSE = mse(E)                    %输出误差

* O4 F2 E, P6 |1 H# r: ?%下面是输入数据，测试结果
x=[454.0 655.6 907.0 1112.5 1401.1]';
Y = sim(net,x)
$ ]6 t; w  e4 Q7 j; {

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