BP神经网络预测遇到一个疑问，麻烦过来看看

数学不烦

( ^4 S" w7 H4 }* e% A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。

clear
clc
%输入数据--以一列作为一个输入数据
( _; y4 O- G8 m7 @' mx1=[227.5 286.9 236.3 300.6 243.0];
x2=[286.9 236.3 300.6 243.0 354.1];
  n  [( Q7 {/ ox3=[236.3 300.6 243.0 354.1 294.1];
; r, m- b1 A# l) @  s3 Px4=[300.6 243.0 354.1 294.1 361.4];
* a& b6 f8 O8 t, |6 \, L7 Ex5=[243.0 354.1 294.1 361.4 333.7];
x6=[354.1 294.1 361.4 333.7 426.4];
; @9 Z+ N0 F5 \* ^x7=[294.1 361.4 333.7 426.4 434.4];
% h8 ]5 l/ T$ ?0 x3 Hx8=[361.4 333.7 426.4 434.4 449.9];
x9=[333.7 426.4 434.4 449.9 431.9];
3 h: A; T9 r! R8 p- ?7 X- u
$ t7 V7 B9 t) UP=[x1;x2;x3;x4;x5;x6;x7;x8;x9]';
; H, Y5 |# m. m: e2 O6 m" w%输出数据--以一列作为一个输出数据
2 k" G( P' C2 o8 m' Gy1=[354.1 294.1 361.4 333.7 426.4];
y2=[294.1 361.4 333.7 426.4 434.4];
y3=[361.4 333.7 426.4 434.4 449.9];
y4=[333.7 426.4 434.4 449.9 431.9];
" k# \" ~# H0 Ny5=[426.4 434.4 449.9 431.9 454.0];
y6=[434.4 449.9 431.9 454.0 655.6];
! j: K- _7 \/ r+ Qy7=[449.9 431.9 454.0 655.6 907.0];
8 p$ G9 B9 A6 |/ Sy8=[431.9 454.0 655.6 907.0 1112.5];
: k8 v5 j/ w- Ay9=[454.0 655.6 907.0 1112.5 1401.1];

) I0 ?4 |6 I$ a( r! w* K2 {; cT=[y1;y2;y3;y4;y5;y6;y7;y8;y9]';
$ {" f8 g, \% ?. `$ I9 K
%归一化
% [P,minp,maxp,T,mint,maxt] = premnmx(P,T);
# w# Q- s* F+ B& j7 j%建立网络
+ Q3 _/ c+ u* k%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
  E( u" l) f5 t/ L7 B%{'tansig','purelin'}与[10,3]对应，意思为隐含层 与 输出层
% |( K* g. h  z& J* k% j5 N* r( X%'traingdm' 表示调整权重，缩小误差的数学函数
0 A. E1 h; F; N- T%↓创建一个新的前向神经网络  
1 Q' H* P# B" L* Mnet = newff(minmax(P),[6,5],{'tansig','purelin'},'traingdm')

%  当前输入层权值和阈值
" q3 }2 w  S0 O8 H, c0 Z4 \" U3 I& E) uinputWeights = net.IW(1,1)
+ j; W& R  x9 y9 _+ \( ainputbias = net.b(1)
' W! J6 W; X! ^& B# P
%  当前网络层权值和阈值
* w" J8 Y2 D/ u2 i/ D. W: s5 F0 v+ \. ulayerWeights = net.LW(2,1)
2 i0 e+ p5 [! s( Elayerbias = net.b(2)
7 V' I) p" M# p4 B4 e: Z+ X6 _3 {
%  设置训练参数
net.trainParam.show = 50;
) A8 R  h3 u4 t+ G  P7 s: h2 `net.trainParam.lr = 0.05;
net.trainParam.mc = 0.9;
  o1 u& ?- D7 ?; I. I: q! Anet.trainParam.epochs = 10000;  %每计算10000次出一次结果
* ?4 v2 B/ ^6 }net.trainParam.goal = 1e-6;     %期望达到的误差（认为是合适的误差）
! m- ]2 u" o' \
/ ~  W0 E0 W5 I2 m$ A: {%  调用 TRAINGDM 算法训练 BP 网络
[net,tr] = train(net,P,T);      

  O. Y( \. ~- ]' h/ |7 b0 n%  对 BP 网络进行仿真
A = sim(net,P);                 %A为输出结果

' r4 |+ ~/ e$ X# ^" ?%反归一化
8 x* Q+ o* v+ U0 S4 D# m0 ^%  A = postmnmx(A,mint,maxt);
, T  K6 ]7 c! y! R- Q; \
%  计算仿真误差  
) v" Y- f5 f' tE = 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]';
% V" n- Q; a, O& \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