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。
# P- c5 ]% G- M) \% R* I
clear
' G6 k# g) s. s9 ^0 D. X6 Mclc
%输入数据--以一列作为一个输入数据
! Z7 \- D& c" U9 ~% x' B+ Y" jx1=[227.5 286.9 236.3 300.6 243.0];
/ b1 D) v0 J0 \, K6 vx2=[286.9 236.3 300.6 243.0 354.1];
x3=[236.3 300.6 243.0 354.1 294.1];
9 z' E( X; R- H  c/ h/ V2 w6 ?3 k% sx4=[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];

$ L9 Y$ a: J( W$ B# y& 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];
y2=[294.1 361.4 333.7 426.4 434.4];
! t$ g( m* B3 b1 P: dy3=[361.4 333.7 426.4 434.4 449.9];
' b# p: T( _6 \1 ny4=[333.7 426.4 434.4 449.9 431.9];
* ^; }: T+ m9 W$ Q+ sy5=[426.4 434.4 449.9 431.9 454.0];
y6=[434.4 449.9 431.9 454.0 655.6];
- }9 x; D# r% B0 v2 j% \" O7 h7 uy7=[449.9 431.9 454.0 655.6 907.0];
y8=[431.9 454.0 655.6 907.0 1112.5];
, ^; Q/ v4 E9 U+ F8 y& S) oy9=[454.0 655.6 907.0 1112.5 1401.1];
' r& t2 _* p5 X, `$ @
T=[y1;y2;y3;y4;y5;y6;y7;y8;y9]';
7 l2 }. z4 e5 j+ Y2 v! m0 G9 W
; K, s2 ^5 @- E5 S+ T/ B%归一化
% [P,minp,maxp,T,mint,maxt] = premnmx(P,T);
2 c# d2 d- [: N. {( l4 r%建立网络
$ @( m+ H# m0 i6 h5 c7 [" Z%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
%'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' Z: S3 }# f" p* [net = newff(minmax(P),[6,5],{'tansig','purelin'},'traingdm')
, E: w# G" @: p1 e* O3 ?* N
%  当前输入层权值和阈值
inputWeights = net.IW(1,1)
* w) Q! j! N. K/ f; finputbias = net.b(1)

" ~0 z3 P4 I. u! m6 l%  当前网络层权值和阈值
layerWeights = net.LW(2,1)
, E! |* {& h5 g- Ilayerbias = net.b(2)
+ Y  ?% U9 n# T+ x: L
& I4 f* t# `* e%  设置训练参数
net.trainParam.show = 50;
, G, _6 [7 m4 Znet.trainParam.lr = 0.05;
net.trainParam.mc = 0.9;
net.trainParam.epochs = 10000;  %每计算10000次出一次结果
3 i" p8 o+ o: a) P$ _6 }net.trainParam.goal = 1e-6;     %期望达到的误差（认为是合适的误差）
3 `' X( `$ Q9 U2 A6 B
* s2 w5 e7 n6 Z+ @' h%  调用 TRAINGDM 算法训练 BP 网络
[net,tr] = train(net,P,T);      
4 t1 u$ ~1 w) E* l0 I- o0 P
& \9 ]' S# S* S4 i1 ^" }4 z' f%  对 BP 网络进行仿真
A = sim(net,P);                 %A为输出结果
1 ]. b5 {( k5 {- @9 I
%反归一化
8 S: n. f) J: `3 j/ S( g%  A = postmnmx(A,mint,maxt);
3 q# _. V, j; o  s
8 ]; Y- V  |9 C%  计算仿真误差  
/ Y, h" n) Q1 r! }5 }E = T-A;                        %原来的输出 - 训练输出 = 误差
MSE = mse(E)                    %输出误差

. L6 l; p+ U: `9 V( B8 l9 |%下面是输入数据，测试结果
% E% O' o( \/ Y& l, bx=[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