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。

clear
0 r* D2 S5 G8 ?/ `' w4 T* I3 J  Jclc
2 g# T5 W1 b1 E" E$ H5 Q%输入数据--以一列作为一个输入数据
2 C+ _, i  \! j4 ?- ], ax1=[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];
x4=[300.6 243.0 354.1 294.1 361.4];
# }2 d7 Y! ?& @- Z1 l- f" Xx5=[243.0 354.1 294.1 361.4 333.7];
2 Q+ B( N8 u( N  j9 }0 yx6=[354.1 294.1 361.4 333.7 426.4];
. g4 ?3 N( D6 |; R5 o) V5 Yx7=[294.1 361.4 333.7 426.4 434.4];
x8=[361.4 333.7 426.4 434.4 449.9];
$ ~* m8 `0 j* N7 L/ ux9=[333.7 426.4 434.4 449.9 431.9];

& V6 O$ @% I5 R* D8 J5 G) v* c! hP=[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];
% K) b7 f) L- \8 Z) Ry2=[294.1 361.4 333.7 426.4 434.4];
y3=[361.4 333.7 426.4 434.4 449.9];
0 E8 u6 I" M' H  zy4=[333.7 426.4 434.4 449.9 431.9];
. X) d* n- z: q3 F  x; n) ay5=[426.4 434.4 449.9 431.9 454.0];
: y7 l) [: C/ J  D' m; I4 C+ Vy6=[434.4 449.9 431.9 454.0 655.6];
6 z4 b. f! o# T: Ly7=[449.9 431.9 454.0 655.6 907.0];
y8=[431.9 454.0 655.6 907.0 1112.5];
y9=[454.0 655.6 907.0 1112.5 1401.1];
6 X9 B0 L+ \. C0 K$ _
8 B3 D* |) j+ Q( K) t2 z& xT=[y1;y2;y3;y4;y5;y6;y7;y8;y9]';
) ]& n. f( P4 o6 X
" m% U6 k2 A/ h2 ~%归一化
% [P,minp,maxp,T,mint,maxt] = premnmx(P,T);
0 V7 g7 e9 q6 x* I%建立网络
. Y; `/ f; c4 E3 h%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
9 }. C" a# r9 `% W6 Z%{'tansig','purelin'}与[10,3]对应，意思为隐含层 与 输出层
( D, Y6 ?  Y: W3 z$ c- D2 E%'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')
* {. n6 _# j. ]; [/ g" Z# {
%  当前输入层权值和阈值
$ d& E8 |, r7 D4 N" S- ZinputWeights = net.IW(1,1)
inputbias = net.b(1)
7 s% H- E# q4 Q' u3 u& N- P
; i/ l1 F" o& B  z%  当前网络层权值和阈值
  ?6 O( N  g; @" b+ W* j8 SlayerWeights = net.LW(2,1)
' Z8 U) H2 }' T( k- w) s' k; r, Z- [layerbias = net.b(2)

%  设置训练参数
net.trainParam.show = 50;
2 X2 U# A0 S6 _7 Y/ A0 xnet.trainParam.lr = 0.05;
6 Q5 h, L. g4 T5 ~net.trainParam.mc = 0.9;
1 ?+ x' [! t  |2 U0 U& m  _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）

& b& @# S7 G. `" d7 p%  调用 TRAINGDM 算法训练 BP 网络
6 ?' H& d  o& S) |2 E[net,tr] = train(net,P,T);      

* M" U) c# e* Q8 R3 E%  对 BP 网络进行仿真
A = sim(net,P);                 %A为输出结果
& @& h0 |" J9 _+ T( `  R. K
%反归一化
%  A = postmnmx(A,mint,maxt);

%  计算仿真误差  
E = T-A;                        %原来的输出 - 训练输出 = 误差
1 J% m: Z  L2 I( E: c6 ]- J% [MSE = mse(E)                    %输出误差
& k. j9 M; c' P0 T" a4 F5 j
" h8 C. g$ r# j7 b; i3 k5 y%下面是输入数据，测试结果
; W7 k  U0 x/ J& d7 v6 t% i% {x=[454.0 655.6 907.0 1112.5 1401.1]';
: h# G) P# q9 v4 VY = sim(net,x)

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