BP神经网络预测遇到一个疑问，麻烦过来看看

数学不烦

+ a0 r$ @1 j9 a( H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。
% G4 e6 x, x' `6 o6 }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
. a! p+ S3 X2 o# j/ i( ?& Iclc
%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];
! O) D: N+ `4 M  F% }" Kx2=[286.9 236.3 300.6 243.0 354.1];
x3=[236.3 300.6 243.0 354.1 294.1];
7 q8 h5 n0 ~0 F# {; V0 U* Vx4=[300.6 243.0 354.1 294.1 361.4];
7 C' m* N% A$ C, Y5 L$ ~7 Ox5=[243.0 354.1 294.1 361.4 333.7];
. O/ o$ `7 p$ w" K9 g( q; Kx6=[354.1 294.1 361.4 333.7 426.4];
: h% j) K5 C/ n. b. g! f* r* _  }x7=[294.1 361.4 333.7 426.4 434.4];
3 _8 i. K) i4 g% F+ e4 \x8=[361.4 333.7 426.4 434.4 449.9];
x9=[333.7 426.4 434.4 449.9 431.9];

. S% K4 b! V, Q% A4 k$ U5 u, J$ `) H6 PP=[x1;x2;x3;x4;x5;x6;x7;x8;x9]';
; d4 {: l" n# V; [+ t' n  C%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];
; L" Z0 M5 @( H& j* Y0 S2 ?& m& qy3=[361.4 333.7 426.4 434.4 449.9];
! x/ X7 w& i' xy4=[333.7 426.4 434.4 449.9 431.9];
1 Y+ y3 \$ ~1 Ty5=[426.4 434.4 449.9 431.9 454.0];
y6=[434.4 449.9 431.9 454.0 655.6];
+ |) `$ F% P# \/ k$ d: w# dy7=[449.9 431.9 454.0 655.6 907.0];
2 j! A( o! l! H8 ay8=[431.9 454.0 655.6 907.0 1112.5];
. X1 ?; l8 h; `) z( j6 \y9=[454.0 655.6 907.0 1112.5 1401.1];

T=[y1;y2;y3;y4;y5;y6;y7;y8;y9]';
2 p; `/ v3 |  J9 z4 b. Q; M: y5 |0 t
) [: ~* G! I% K" k%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
5 b5 H5 T5 D  s4 z0 w# @" k%{'tansig','purelin'}与[10,3]对应，意思为隐含层 与 输出层
7 P* h: D3 C3 t  ?%'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  
+ p% x1 T; V. f. j8 inet = newff(minmax(P),[6,5],{'tansig','purelin'},'traingdm')

%  当前输入层权值和阈值
3 S& f4 ~* ]) _4 A' L" W. x& N2 n7 @inputWeights = net.IW(1,1)
* i7 C0 W8 Y- Xinputbias = net.b(1)
) u% H6 B7 Y- c3 a1 f1 N: V
%  当前网络层权值和阈值
& ~8 A2 h, x3 J; J! Y! m& ulayerWeights = net.LW(2,1)
layerbias = net.b(2)

; h$ O6 j1 r8 V, l, _%  设置训练参数
! O1 v! {: ~1 b  Y/ |  l3 ~  M8 w' ]9 Fnet.trainParam.show = 50;
) w- m/ M! r! {/ t0 @net.trainParam.lr = 0.05;
7 r, Z6 J* H+ o3 h' h5 }; \net.trainParam.mc = 0.9;
% w" K2 K6 D/ ?; E5 D: \4 }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）
8 m0 v3 F( C6 y. M
4 O; j7 C1 A$ v8 S; S" a' d" b%  调用 TRAINGDM 算法训练 BP 网络
[net,tr] = train(net,P,T);      
8 }5 s# h/ T# m( o; m* M
, P$ }. \5 _  }; M%  对 BP 网络进行仿真
  ~; G; h0 C( p( Q! p0 H. \A = sim(net,P);                 %A为输出结果
* h. _6 X# x- T
%反归一化
- B! Y& d0 g& y% M  q* \* H" T%  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
+ c% [* w: \, e' V5 J8 iMSE = mse(E)                    %输出误差

/ y" W; X; D3 I: `: ~# b+ b+ F%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