BP神经网络预测遇到一个疑问，麻烦过来看看

数学不烦

# ~! Y. j( [/ N7 h7 U6 h* h/ r
$ d: U9 Q& s; k- P3 e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  B% x; t& h7 }# t$ ]. A) p# X
7 A/ x& \/ R$ @1 Z0 z" [clear
& b! S5 P/ U" b& b4 x  Sclc
%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];
( T, O' j3 f0 p) Gx3=[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];
( \& @/ T$ k8 v% G+ k* T. 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]';
: ]' V( y# _2 ^+ Y  w: l3 @%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];
7 w/ s% c7 O2 Hy3=[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];
- z, S: h4 Y$ J2 b7 |# O+ l5 E: n5 T6 \y9=[454.0 655.6 907.0 1112.5 1401.1];

7 j, e- g% q+ U0 \3 S, n! u7 mT=[y1;y2;y3;y4;y5;y6;y7;y8;y9]';

%归一化
% [P,minp,maxp,T,mint,maxt] = premnmx(P,T);
%建立网络
5 v. O4 D* Q- n  ]$ j' E%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
6 r. b) N, E. z# I%{'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
- t0 L+ J8 m' U0 ?%↓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
6 \7 s/ o1 P! j) C0 uinputWeights = net.IW(1,1)
inputbias = net.b(1)

%  当前网络层权值和阈值
8 O' ^3 [: P0 v# o. LlayerWeights = net.LW(2,1)
9 T2 Z8 z6 Y, ?+ h7 jlayerbias = net.b(2)

%  设置训练参数
7 ~6 C/ I& b5 w) b2 [& znet.trainParam.show = 50;
net.trainParam.lr = 0.05;
net.trainParam.mc = 0.9;
& j; G- F( F& }' Inet.trainParam.epochs = 10000;  %每计算10000次出一次结果
2 u3 h* f- ]) O" u' ^! R* Qnet.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
2 c8 k2 z: {0 j* ?) L[net,tr] = train(net,P,T);      

%  对 BP 网络进行仿真
A = sim(net,P);                 %A为输出结果
, T. |: X; d! X, u: x' q% g9 m
2 t! u( r2 g/ s%反归一化
5 K# e" w- B9 u* J5 i/ e%  A = postmnmx(A,mint,maxt);

0 N% q* t+ |7 N& C; o6 Y%  计算仿真误差  
E = T-A;                        %原来的输出 - 训练输出 = 误差
MSE = mse(E)                    %输出误差

%下面是输入数据，测试结果
x=[454.0 655.6 907.0 1112.5 1401.1]';
7 W/ o0 G9 k0 @) `: ^% _Y = sim(net,x)
9 F+ ~3 P/ n7 g8 {. O) ]

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