BP神经网络预测遇到一个疑问，麻烦过来看看

数学不烦

) ]% I. x; W- 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。

, \0 P9 g$ Z0 `$ v. h7 K, Nclear
. y: l' w& b- o7 D3 ~clc
* h% S+ P4 D5 O4 n% o%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];
x3=[236.3 300.6 243.0 354.1 294.1];
x4=[300.6 243.0 354.1 294.1 361.4];
$ h% |4 z. y6 J: N9 c- t% d6 ~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];
5 O# S% N6 Q/ [% J0 f6 B8 qx9=[333.7 426.4 434.4 449.9 431.9];

6 C% E, U5 g4 JP=[x1;x2;x3;x4;x5;x6;x7;x8;x9]';
5 U( I! \" j& k. n3 V# ]; g. W. \8 X%输出数据--以一列作为一个输出数据
1 \' h0 k/ \7 v2 y$ F. B6 m4 V, My1=[354.1 294.1 361.4 333.7 426.4];
y2=[294.1 361.4 333.7 426.4 434.4];
* R: i: K4 t* n7 `$ V! ^$ uy3=[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];
y6=[434.4 449.9 431.9 454.0 655.6];
y7=[449.9 431.9 454.0 655.6 907.0];
y8=[431.9 454.0 655.6 907.0 1112.5];
! j  w1 S( z9 y$ L" X8 P6 wy9=[454.0 655.6 907.0 1112.5 1401.1];
0 r9 w9 |9 P! e/ D3 W; [
T=[y1;y2;y3;y4;y5;y6;y7;y8;y9]';

1 q4 j5 O, z2 w%归一化
  v" z, ]  y& T0 g. ?& M% [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
%{'tansig','purelin'}与[10,3]对应，意思为隐含层 与 输出层
* `' Y4 a) I7 {8 y" O' R%'traingdm' 表示调整权重，缩小误差的数学函数
6 C$ s$ m/ G: ^+ m%↓创建一个新的前向神经网络  
net = newff(minmax(P),[6,5],{'tansig','purelin'},'traingdm')
  D& r6 w7 N6 R" M& M
%  当前输入层权值和阈值
inputWeights = net.IW(1,1)
inputbias = net.b(1)
- l" H' v+ x9 g0 Z% P
) n, R+ G* A* N( I( w2 {%  当前网络层权值和阈值
layerWeights = net.LW(2,1)
layerbias = net.b(2)
5 r0 ]2 D2 ^: l8 D
6 N, a' B9 @" p+ o%  设置训练参数
- s- U+ j( W' k& b7 g# P+ S: r1 N+ k+ vnet.trainParam.show = 50;
net.trainParam.lr = 0.05;
& J' z; q6 _; @3 g' A4 z& d8 D, Anet.trainParam.mc = 0.9;
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）

%  调用 TRAINGDM 算法训练 BP 网络
3 u" Y2 g8 G; _# R- V( I1 f5 s[net,tr] = train(net,P,T);      
5 r  ~. S3 g$ h6 p' V: Q2 p
%  对 BP 网络进行仿真
A = sim(net,P);                 %A为输出结果

%反归一化
- R5 i( l2 F- I- _) B" c4 s" |%  A = postmnmx(A,mint,maxt);

1 U. F& y- ?7 g; u( n8 `- y%  计算仿真误差  
E = T-A;                        %原来的输出 - 训练输出 = 误差
9 \8 j1 {5 ]# yMSE = mse(E)                    %输出误差
! S7 B5 U' Q( z9 s
%下面是输入数据，测试结果
( |5 B# B! y5 V7 U) h/ V& Ux=[454.0 655.6 907.0 1112.5 1401.1]';
7 M- b( T3 \) q# y, u) cY = 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