BP神经网络预测遇到一个疑问，麻烦过来看看

数学不烦

/ w# u* W* h0 _3 w+ t, d  v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。
3 {$ X4 a6 w- z
& f; c+ O9 \- y: d- z* R/ tclear
$ W9 I7 n  |7 \# }9 sclc
- T- ~5 H! o' ?1 n%输入数据--以一列作为一个输入数据
' `4 x# u8 P1 e( F- fx1=[227.5 286.9 236.3 300.6 243.0];
+ c/ {% S) A* T# K, M) fx2=[286.9 236.3 300.6 243.0 354.1];
- l5 [: E4 o* I: m6 |x3=[236.3 300.6 243.0 354.1 294.1];
7 I7 }+ h" i4 d4 ~) Y+ U, Tx4=[300.6 243.0 354.1 294.1 361.4];
x5=[243.0 354.1 294.1 361.4 333.7];
, E% }5 b6 n0 Z: A- ^* vx6=[354.1 294.1 361.4 333.7 426.4];
x7=[294.1 361.4 333.7 426.4 434.4];
7 p! m6 f6 n: R/ R' ^) qx8=[361.4 333.7 426.4 434.4 449.9];
x9=[333.7 426.4 434.4 449.9 431.9];

2 c1 c4 H' P, `8 a1 @P=[x1;x2;x3;x4;x5;x6;x7;x8;x9]';
$ B* z0 k$ Y% B- v$ U%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];
1 T1 b9 J2 t) Xy3=[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];
1 M% c& @0 X- z  J" _6 Uy8=[431.9 454.0 655.6 907.0 1112.5];
9 X5 x4 t4 Z4 J4 d- n7 q4 ny9=[454.0 655.6 907.0 1112.5 1401.1];
; A* `, }3 Z6 j" |3 N  m$ ^
! [) n. s( Q5 C" iT=[y1;y2;y3;y4;y5;y6;y7;y8;y9]';

%归一化
% [P,minp,maxp,T,mint,maxt] = premnmx(P,T);
5 X& P; e) q7 V+ w4 R%建立网络
" U" x' x0 [* U$ _, |%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
# [- l% \" n7 V5 M, P/ ~# g% x  J%'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  
  G/ d# W; D% v$ `net = newff(minmax(P),[6,5],{'tansig','purelin'},'traingdm')
3 K) u- j0 ?! ]% W' F3 E
%  当前输入层权值和阈值
inputWeights = net.IW(1,1)
inputbias = net.b(1)
1 L3 v' \4 ~" }" y6 Z# H
%  当前网络层权值和阈值
layerWeights = net.LW(2,1)
7 V( F) R4 n/ C/ |! ~layerbias = net.b(2)
2 s7 L4 P+ E1 }" R5 p: M
- E; J+ _# W- O9 r%  设置训练参数
net.trainParam.show = 50;
9 N: o1 [6 K3 b$ nnet.trainParam.lr = 0.05;
: x2 k. C2 N4 b6 t' l+ \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）
# O0 p* j8 h  Z. S# Z8 U
%  调用 TRAINGDM 算法训练 BP 网络
1 m: @/ w2 T. N# i[net,tr] = train(net,P,T);      
+ [% y/ e# O& w& [0 ^1 M
%  对 BP 网络进行仿真
A = sim(net,P);                 %A为输出结果

%反归一化
%  A = postmnmx(A,mint,maxt);
0 S- S. h$ W" e9 Q+ ?
%  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]';
Y = 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