BP神经网络预测遇到一个疑问，麻烦过来看看

数学不烦

  O6 I" E9 h/ 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。
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。

; T6 `6 [& v& v  `8 z+ |, Dclear
7 m0 y6 F) z2 t' G2 b! Fclc
%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];
9 W) P( A: k3 l! x) Qx2=[286.9 236.3 300.6 243.0 354.1];
: t! \) v, _2 J. ~! a+ cx3=[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];
; A3 W, v( D; r( x0 sx8=[361.4 333.7 426.4 434.4 449.9];
6 V1 w/ p# f% ~1 J6 [8 e1 a& bx9=[333.7 426.4 434.4 449.9 431.9];
2 d  P5 D5 e3 U3 a
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
y1=[354.1 294.1 361.4 333.7 426.4];
# |+ t: f- }; {& ey2=[294.1 361.4 333.7 426.4 434.4];
) F# U- X9 r  \9 dy3=[361.4 333.7 426.4 434.4 449.9];
! S3 F1 v1 o4 K9 Z/ W7 k! U$ \y4=[333.7 426.4 434.4 449.9 431.9];
( m: m$ ^! J% s: i- _y5=[426.4 434.4 449.9 431.9 454.0];
5 I) F4 O% A" s0 ]- hy6=[434.4 449.9 431.9 454.0 655.6];
7 Z2 G3 N0 z' O. L& T7 _2 By7=[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];
; y! U1 u1 i$ G1 t; C2 s( B5 ]
T=[y1;y2;y3;y4;y5;y6;y7;y8;y9]';
: \. D# R; }, y) b* N' x  r$ H
) Z+ ^$ ~2 N+ T* b$ I%归一化
. d+ X4 e+ ?4 U# z% [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
%{'tansig','purelin'}与[10,3]对应，意思为隐含层 与 输出层
+ c5 V0 ~7 `4 m0 N1 W%'traingdm' 表示调整权重，缩小误差的数学函数
6 U! N' {1 B( O2 Z%↓创建一个新的前向神经网络  
3 M8 I2 B1 q" N  ?+ Ynet = newff(minmax(P),[6,5],{'tansig','purelin'},'traingdm')
4 J7 q& L* f8 N- }) `5 U# S8 o
5 b2 J$ g7 [$ z; F4 s%  当前输入层权值和阈值
inputWeights = net.IW(1,1)
inputbias = net.b(1)

%  当前网络层权值和阈值
5 C( N, j: M" k8 E4 AlayerWeights = net.LW(2,1)
( Q0 L: A7 @% x' y3 Y' L, O/ elayerbias = net.b(2)
$ w) }" E# X& }- B
%  设置训练参数
net.trainParam.show = 50;
net.trainParam.lr = 0.05;
, ?: N3 w: C7 r% _net.trainParam.mc = 0.9;
net.trainParam.epochs = 10000;  %每计算10000次出一次结果
' U2 G' T0 ?9 t$ l5 F( fnet.trainParam.goal = 1e-6;     %期望达到的误差（认为是合适的误差）
' _7 V0 z7 g$ C: O# A  i
' t- W8 K) N& K- |$ t- S) i%  调用 TRAINGDM 算法训练 BP 网络
[net,tr] = train(net,P,T);      
5 ?' R0 G, H7 _' z6 j+ L0 J# l8 l
1 A4 ]6 q' S/ J: b3 S5 c3 f9 O%  对 BP 网络进行仿真
A = sim(net,P);                 %A为输出结果
6 l2 B' ^' ^7 T. z. X
%反归一化
%  A = postmnmx(A,mint,maxt);

7 P" U9 z) C) m& \1 E) h%  计算仿真误差  
  D$ k  Z/ b) X, P/ K( hE = 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)
, b( }, w4 _" U$ {

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