BP神经网络预测遇到一个疑问，麻烦过来看看

数学不烦

+ z' b/ R1 q7 ^2 }
& [& V3 m, v( K2 O9 D  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。
& u5 n2 o' m1 {' R6 c: q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。

& C$ f3 R# q6 a- h6 Q3 F! K0 qclear
7 r8 q' H! j, T& C* \, I- |clc
%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];
: u; C! z: Y' u. _x2=[286.9 236.3 300.6 243.0 354.1];
x3=[236.3 300.6 243.0 354.1 294.1];
9 J$ `/ H5 ]2 I" {: k% a) px4=[300.6 243.0 354.1 294.1 361.4];
x5=[243.0 354.1 294.1 361.4 333.7];
+ G# f6 |; E* v" j5 h) ox6=[354.1 294.1 361.4 333.7 426.4];
x7=[294.1 361.4 333.7 426.4 434.4];
' i' w0 C* F  \5 ex8=[361.4 333.7 426.4 434.4 449.9];
x9=[333.7 426.4 434.4 449.9 431.9];

% {3 y& s- g- R8 _, U. N6 p; s" CP=[x1;x2;x3;x4;x5;x6;x7;x8;x9]';
' F% M" `9 y# z: C- H) e. x%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];
8 e* I; C( Z3 l) [) \$ fy3=[361.4 333.7 426.4 434.4 449.9];
y4=[333.7 426.4 434.4 449.9 431.9];
) x: o3 \6 D- r, t0 Iy5=[426.4 434.4 449.9 431.9 454.0];
y6=[434.4 449.9 431.9 454.0 655.6];
1 v. ?8 m3 ^. [1 S( Xy7=[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];

T=[y1;y2;y3;y4;y5;y6;y7;y8;y9]';

( E, A$ X/ s, w* J, M6 r2 ~& o' e%归一化
; ^5 _, _% w) D  O1 v8 V: u/ w% [P,minp,maxp,T,mint,maxt] = premnmx(P,T);
: A# A$ {/ a9 G; w" U$ d%建立网络
, q; I6 @; K; z& a%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  
" I& h$ n6 B+ ~, N7 G' I3 wnet = newff(minmax(P),[6,5],{'tansig','purelin'},'traingdm')
. Y' D/ `5 V& V( g. C  l$ E0 v  Q
%  当前输入层权值和阈值
- i* O& V) e* `( j* IinputWeights = net.IW(1,1)
inputbias = net.b(1)
# N- |& _2 I6 ], W
%  当前网络层权值和阈值
layerWeights = net.LW(2,1)
0 `7 o/ J5 v, S6 R2 xlayerbias = net.b(2)

1 x. N4 V* @" _' ^! o. ~%  设置训练参数
net.trainParam.show = 50;
net.trainParam.lr = 0.05;
) {+ w+ G0 H$ E( {* c( B- k; Z0 onet.trainParam.mc = 0.9;
4 {0 e- ^) ]& _/ c  E) H6 pnet.trainParam.epochs = 10000;  %每计算10000次出一次结果
+ H  L. h  J. znet.trainParam.goal = 1e-6;     %期望达到的误差（认为是合适的误差）

' B  w5 i7 q2 J. `) a8 c, S%  调用 TRAINGDM 算法训练 BP 网络
, Z6 z2 a- r% [4 R[net,tr] = train(net,P,T);      

1 c' U, w9 ?9 [) A& m" N%  对 BP 网络进行仿真
* F0 N2 ?" D7 W; r! P' TA = sim(net,P);                 %A为输出结果

%反归一化
%  A = postmnmx(A,mint,maxt);

%  计算仿真误差  
6 Z/ g9 {8 k5 P' G0 d" _+ K5 bE = T-A;                        %原来的输出 - 训练输出 = 误差
( |, F# e3 G" Z) cMSE = mse(E)                    %输出误差
$ b* D- @) ?7 e' E& M+ M0 O! g  E
/ Q0 s( J% u! g# U6 S. v' {%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)
- o) }# A3 u+ }# w  q- h

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