解决方法很简单：自己通过训练好的权值和阈值计算时，归一化和反归一化的范围应该设为(-1,1)，而不是(0,1)。

也就是从原来的：

改为：

本文在这篇论坛上得到提示：Matlab训练好BP神经网络后，怎么根据权值和阈值来计算呢？ 此方法仅供参考，可能大家的情况有所不同，希望对大家有帮助。

以上为原回答 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 以下为10月10日更新 之前在评论区答应了过几天就补全回答，没想到一下子耽搁了3个月，实在是抱歉！ 之前的答案这一句话“自己通过训练好的权值和阈值计算时”有误，应该是在一开始训练BP神经网络的时候就把归一化和反归一化的范围设为(-1,1)，而不是采用(0,1)，对了，我用的matlab版本为2019b。

原始的程序和数据集大家可以自行百度、google或者在github上寻找，我在文中也会给出程序，找不到数据集的人可以说自己邮箱，我看到的话会回，不过我后面也挺忙的，不保证及时性。 原始的BP神经网络程序如下：

从上述程序中我们可以发现，在数据归一化的位置是将范围设定在(0,1)之间，但是我在实际操作中发现，在照搬根据(0,1)归一化的mapminmax函数的参数后，计算出来的神经网络输出值和原神经网络的不同，那么怎么解决这个问题呢，就像我前面说的，我们只需要将上面的原始BP神经网络的归一化范围改为(-1,1)。具体的原因我也没想明白，我猜也许matlab内部的调用函数不太一样，如果有大佬知道的请多多指教。 现在让我们将上述程序中的这部分：

改为

这样改变归一化范围并不会对神经网络预测精确度产生什么影响。 运行更改后的BP神经网络主程序之后，我们就可以得到如下的预测结果图：

同时我们在工作区中会得到大量的计算变量，如下图： 其中我们在后续需要用到的数据是红框中的三个，分别是训练好的神经网络和归一化反归一化的函数参数，其中需要我们自行提取的只有训练好的net变量中的网络权值和阈值参数。 这里有两种方法，参看如下程序：

方法二就不细说了，其他文章中已经有提到过，想弄明白的同学可以参看help中“network”的文档。 方法一则是运行genFunction函数，然后点击命令行窗口的“edit neural_function”： 然后会跳出“neural_function”函数，其中就有已经训练好的权值和阈值，也就是其中的b和IW，LW，我们只需要将其复制过来： IW为输出层到隐含层的权值，b1为输入层到隐含层的阈值；LW即为隐含层到输出层的权值，b2为隐含层到输出层的阈值。 同时，我们还能在“neural_function”函数中找到程序内部运行神经网络的循环计算代码：

和sigmoid的传递函数：

我在后续自行建立训练好的神经网络时既是参考的上图的循环算式。具体程序如下：

上述代码中，前三行加引号是因为还需要使用之前得到的变量“ps_input”和“ps_output”，避免直接点运行按钮就把之前的变量都删除掉了，另外，这里的b1、b2、IW、LW这么短是因为本来的变量参数有401列，全部放出来太长了，在这里我就略去了，大家自己弄的时候注意。

以下是运行结果图，其中红色是原始神经网络的计算结果，蓝色是我们提取出训练好的net参数的计算结果：

可以看到和原始训练好的神经网络结果完全一致，但是假如我们还是采用(0,1)的归一化范围的话，得到的对比图则如下： 我也不明白为什么会出现这样的情况，希望有懂的大佬可以告知。 欢迎在评论区留言讨论，也欢迎指正错误。 有兴趣的同学也可以参看这一篇博客：MATLAB编写自己的BP神经网络程序 以上