BP神经网络预测遇到一个疑问，麻烦过来看看

数学不烦

9 i4 ?  g: g4 S- S1 e7 M* M5 ~1 \
& \  U; R* ^- C0 P9 K1 ]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
  c- M- R2 @7 V1 B2 _& [6 u3 Z+ S9 N6 Q%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];
x2=[286.9 236.3 300.6 243.0 354.1];
) H3 R# a! X+ kx3=[236.3 300.6 243.0 354.1 294.1];
. g; G/ s3 q( c& }  ?  u# m' B  Yx4=[300.6 243.0 354.1 294.1 361.4];
x5=[243.0 354.1 294.1 361.4 333.7];
3 I( Z# C( z& U" _+ S0 v* Tx6=[354.1 294.1 361.4 333.7 426.4];
& E: p, a; S2 O) m' Ax7=[294.1 361.4 333.7 426.4 434.4];
: R$ w/ }  J, Jx8=[361.4 333.7 426.4 434.4 449.9];
x9=[333.7 426.4 434.4 449.9 431.9];
$ h, b( u# D+ f. N  a" a( T
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
' ]4 ^+ T$ u2 L- Yy1=[354.1 294.1 361.4 333.7 426.4];
y2=[294.1 361.4 333.7 426.4 434.4];
1 d0 f$ X) l1 H+ D" V! f0 ]y3=[361.4 333.7 426.4 434.4 449.9];
y4=[333.7 426.4 434.4 449.9 431.9];
y5=[426.4 434.4 449.9 431.9 454.0];
! S) Q0 Q8 t# \( ay6=[434.4 449.9 431.9 454.0 655.6];
4 K0 n# y8 p$ Y0 {% r2 j! Ty7=[449.9 431.9 454.0 655.6 907.0];
: |  h* w  @; j! j* Cy8=[431.9 454.0 655.6 907.0 1112.5];
. q. Q! n: J: `: c( Yy9=[454.0 655.6 907.0 1112.5 1401.1];
) n; Q9 _' e" e; e/ n, x
8 G( p# F- k5 C$ f( w4 N, [* JT=[y1;y2;y3;y4;y5;y6;y7;y8;y9]';

%归一化
  E# c; V6 z" U4 @% l, u$ ^% [P,minp,maxp,T,mint,maxt] = premnmx(P,T);
$ _8 B- C3 h9 t+ ?! Q$ e%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
+ L, W, r4 g( T3 l2 o. e%{'tansig','purelin'}与[10,3]对应，意思为隐含层 与 输出层
* D) I8 v  K) Z8 ^/ o4 m/ d%'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  
net = newff(minmax(P),[6,5],{'tansig','purelin'},'traingdm')
% _- s7 F! U& c& r  i# l
%  当前输入层权值和阈值
% u7 j8 j0 v3 C" YinputWeights = net.IW(1,1)
- E9 t) s/ d* Q2 X  d# }  f9 p8 Winputbias = net.b(1)
+ L, c. V/ b0 e9 C+ [0 {) Q1 a7 W
%  当前网络层权值和阈值
layerWeights = net.LW(2,1)
layerbias = net.b(2)
7 `# S6 o$ Q/ y9 r# r1 j0 g
6 O- v; c2 i* \% R/ J. y$ A+ D9 C7 ]%  设置训练参数
net.trainParam.show = 50;
) S' m5 A0 Y# E8 l; C5 L/ ^net.trainParam.lr = 0.05;
net.trainParam.mc = 0.9;
! Q1 I/ f6 e: p; |0 r0 Cnet.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）
, m5 I: ~- B6 _. I  ?7 w- f
9 A) |6 ?* v6 ]2 G5 g$ d1 g%  调用 TRAINGDM 算法训练 BP 网络
[net,tr] = train(net,P,T);      

%  对 BP 网络进行仿真
A = sim(net,P);                 %A为输出结果

7 j' ^2 o' ^- t' u4 R%反归一化
%  A = postmnmx(A,mint,maxt);
+ @1 u# ^( A* F
8 B4 H! U0 e7 R6 _# P2 I6 i%  计算仿真误差  
) Y7 T4 N5 N. c6 {E = T-A;                        %原来的输出 - 训练输出 = 误差
MSE = mse(E)                    %输出误差

% F; w) Y- r/ x9 S, {# A; L%下面是输入数据，测试结果
4 V9 E$ l. p3 F; Xx=[454.0 655.6 907.0 1112.5 1401.1]';
Y = sim(net,x)
4 M  @6 H  v) [3 B" g8 m3 Y

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