BP神经网络预测遇到一个疑问，麻烦过来看看

数学不烦

, F* I. I2 _5 W4 |% 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。
! u$ V$ |8 D6 A9 u$ u
clear
9 i' j8 @3 }2 W6 Iclc
%输入数据--以一列作为一个输入数据
5 q4 i' q3 i% N8 ]/ z; X2 ?; Hx1=[227.5 286.9 236.3 300.6 243.0];
+ x* w1 p) h- E  u% A* m0 Mx2=[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];
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];

0 ~# s+ }$ a3 }" Z8 u8 lP=[x1;x2;x3;x4;x5;x6;x7;x8;x9]';
2 Q+ y; L9 ]& ~0 Q3 b%输出数据--以一列作为一个输出数据
- Z$ n1 @" }5 ^& oy1=[354.1 294.1 361.4 333.7 426.4];
y2=[294.1 361.4 333.7 426.4 434.4];
# X3 u# m  X! O& B0 |y3=[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];
" w, p2 s# Z3 ?; sy6=[434.4 449.9 431.9 454.0 655.6];
4 C) M& r: r! ?# F( Fy7=[449.9 431.9 454.0 655.6 907.0];
y8=[431.9 454.0 655.6 907.0 1112.5];
, i" w9 f. H5 B' u0 `( @1 i# u, Uy9=[454.0 655.6 907.0 1112.5 1401.1];
0 O" f6 f$ \5 p$ ]* G5 B
T=[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
%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
" g4 F1 H/ ]+ y. d7 E% M%{'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
( U/ J# G8 ^/ N* @( i4 H) |%↓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
inputWeights = net.IW(1,1)
0 u! d$ g) U( E4 k& Iinputbias = net.b(1)

3 q( ~9 i- Z/ q/ G%  当前网络层权值和阈值
layerWeights = net.LW(2,1)
& B  V# i) k# Q  Z( flayerbias = net.b(2)

, O9 N. n/ ^6 q! ~/ ]%  设置训练参数
net.trainParam.show = 50;
net.trainParam.lr = 0.05;
! S: c: g( e+ H' A  Y- f' Fnet.trainParam.mc = 0.9;
net.trainParam.epochs = 10000;  %每计算10000次出一次结果
5 C2 ?* d3 a! [, ynet.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
% C( H4 ~; Y# f  }" |3 G[net,tr] = train(net,P,T);      

%  对 BP 网络进行仿真
A = sim(net,P);                 %A为输出结果

%反归一化
$ Z8 K& t3 A8 O, T/ j% s3 w6 Y%  A = postmnmx(A,mint,maxt);
) ~% y1 ]$ n1 D
%  计算仿真误差  
# b. B1 r. v" w1 \% rE = T-A;                        %原来的输出 - 训练输出 = 误差
MSE = mse(E)                    %输出误差

! d6 ]7 o' U* t%下面是输入数据，测试结果
+ }7 e) ?: ~6 p3 F+ ?( Ix=[454.0 655.6 907.0 1112.5 1401.1]';
  u5 \- y0 X5 ]( Q& a$ rY = sim(net,x)
! J2 S" s0 P) M+ G. N3 ~

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