得到的输出都是一个数，而且和期望相差太远。

clc; %清屏

clear all; %清除所有变量

p=[150 150 150 200 200 200 200 200

317 297 311 267 249 267 221 212

0.11 0.11 0.12 0.11 0.12 0.11 0.11 0.12

0.3765 0.3789 0.3109 0.4286 0.3777 0.3694 0.2692 0.2681

3.95 3.95 2.453 3.95 2.258 3.95 3.95 2.887];

t=[250 250 238 283 262 279 245 244];

[pn,ps]=mapstd(p);

[tn,ts]=mapstd(t);

net=newff(p,t,10,{'tansig','purelin'},'trainlm');

net=init(net);

net.trainparam.epochs=20000; %最大训练次数(前缺省为10,自trainrp后，缺省为100)

net.trainparam.lr=0.05; %学习率(缺省为0.01)

net.trainparam.show=25; %限时训练迭代过程(NaN表示不显示，缺省为25)

net.trainparam.goal=1e-8; %训练要求精度(缺省为0)

net.trainparam.max_fail=15; %最大失败次数(缺省为5)

%net.trainparam.min_grad 最小梯度要求(前缺省为1e-10，自trainrp后，缺省为1e-6)

%net.trainparam.time 最大训练时间(缺省为inf)

[net,tr]=train(net,p,t); %网络训练

V = net.iw{1,1}%输入层到中间层权值

theta1 = net.b{1}%中间层各神经元阈值

W = net.lw{2,1}%中间层到输出层权值

theta2 = net.b{2}%输出层各神经元阈值

pnew=[100 100 100 125 125 125 125 125 150 150 150 150 150 175 175 175 175 175 200 200 200 200 200

250 275 300 200 225 250 275 300 200 225 250 275 300 200 225 250 275 300 200 225 250 275 300

0.14 0.16 0.18 0.12 0.14 0.16 0.18 0.1 0.14 0.16 0.18 0.1 0.12 0.16 0.18 0.1 0.12 0.14 0.18 0.1 0.12 0.14 0.16

0.25 0.3 0.35 0.25 0.3 0.35 0.15 0.2 0.35 0.15 0.2 0.25 0.3 0.2 0.25 0.3 0.35 0.15 0.3 0.35 0.15 0.2 0.25

2 3 4 3 4 1 1.5 2 1.5 2 3 4 1 4 1 1.5 2 3 2 3 4 1 1.5];

pnewn=mapstd('apply',pnew,ps);

anewn=sim(net,pnewn); %对BP网络进行仿真

anew=mapstd('reverse',anewn,ts) %还原数据

得到的输出都是一个数，而且和期望相差太远，这是期望

250

233

259

239

250

238

283

262

279

261

268

256

245

244

245

254

麻烦大家了。

Answer 1

[horene]

你这个问题就是在标准化之后，输入网络进行训练时仍然用的标准化之前的数据进行训练，而仿真时候输入了标准化之后的数据，当然会误差很大。我帮你稍微改了一下

%% 清空环境变量
close all; clear; clc;

%% 主程序
p=[150 150 150 200 200 200 200 200
   317 297 311 267 249 267 221 212
   0.11 0.11 0.12 0.11 0.12        0.11 0.11 0.12        
   0.3765 0.3789 0.3109        0.4286 0.3777 0.3694 0.2692        0.2681        
   3.95        3.95 2.453 3.95        2.258 3.95 3.95        2.887];
t=[250 250 238 283 262 279 245 244];
[pn,ps]=mapstd(p);
[tn,ts]=mapstd(t);
net=newff(pn,tn,10,{'tansig','purelin'},'trainlm');
net=init(net);
net.trainparam.epochs=20000;   %最大训练次数(前缺省为10,自trainrp后，缺省为100)
net.trainparam.lr=0.05;     %学习率(缺省为0.01)
net.trainparam.show=25;     %限时训练迭代过程(NaN表示不显示，缺省为25)
net.trainparam.goal=1e-8; %训练要求精度(缺省为0)
net.trainparam.max_fail=15;     %最大失败次数(缺省为5)
%net.trainparam.min_grad     最小梯度要求(前缺省为1e-10，自trainrp后，缺省为1e-6)
%net.trainparam.time       最大训练时间(缺省为inf)
[net,tr]=train(net,pn,tn);     %网络训练
V = net.iw{1,1}%输入层到中间层权值
theta1 = net.b{1}%中间层各神经元阈值
W = net.lw{2,1}%中间层到输出层权值
theta2 = net.b{2}%输出层各神经元阈值
pnew=[100        100        100        125        125        125        125        125        150        150        150        150        150        175        175        175        175        175        200        200        200        200        200
250        275        300        200        225        250        275        300        200        225        250        275        300        200        225        250        275        300        200        225        250        275        300
0.14        0.16        0.18        0.12        0.14        0.16        0.18        0.1        0.14        0.16        0.18        0.1        0.12        0.16        0.18        0.1        0.12        0.14        0.18        0.1        0.12        0.14        0.16
0.25        0.3        0.35        0.25        0.3        0.35        0.15        0.2        0.35        0.15        0.2        0.25        0.3        0.2        0.25        0.3        0.35        0.15        0.3        0.35        0.15        0.2        0.25
2        3        4        3        4        1        1.5        2        1.5        2        3        4        1        4        1        1.5        2        3        2        3        4        1        1.5];                                                                         
pnewn=mapstd('apply',pnew,ps);
anewn=sim(net,pnewn);                               %对BP网络进行仿真
anew=mapstd('reverse',anewn,ts)                      %还原数据