请问这个代码错在哪里，如何进行修改，谢谢

昌辉9

clear
1 b; q6 b3 s9 T- S* |4 `- ]( |5 I* \day=[8.6187,8.3507,8.3142,8.2898,8.2791,8.2796,8.2784,8.2770,8.2770,8.2774,8.2780,8.1013,7.8087,7.3872,6.85,6.81,6.622,6.61,6.25,6.07];
dayhistory=day(1:20);%取其中三十天作为历史数据样本
) i! W* i) ]( W. gdayhismod=reshape(dayhistory,5,4);% 将历史数据分为6个样本，每个大小为5，其中reshape是以列排序的
dayday=day(1:15);% 取其中的前25天
daypost=day(6:20);%取其中的随后25天
p=reshape(dayday,3,5);% 将前25天数据分为5行5列矩阵作为网络的训练输入样本
2 \" A. X: w& D% E5 at=reshape(daypost,3,5); %将随后的25天分为5行5列矩阵作为网络的目标输出向量
daylast=day(16:20);
h3=reshape(daylast,5,1);% 将倒数第二个样本作为网络测试时的输入样本
r=6:20;
4 D. _  R. f( [) L( x; g2 Q7 Q7 krr=reshape(r,5,3);
. w7 q$ e! t, y! k! p. S$ l%%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%
- V2 k& e6 l; Z/ C. J+ knet=newff(minmax(p),[5,3],{'purelin' 'purelin'},'trainlm');
  ?: P- _8 L4 N) i/ @; Py1=sim(net,p);
7 t3 E$ e8 y9 a6 G/ r% 新建网络，其中minmax(p)为p的没一次输入的最大最小值向量
; _3 b/ c7 K- @  C' a% 两层的传递函数均为purelin
; n! M0 w2 z; A0 O+ F2 x% 训练函数为trainlm
% 所训练的网络大小为[5,5]
9 w; j! L6 }* Y; E+ S% 仿真训练前的网络

%%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%
  v* I+ w# F" C' p  S% network parameters:
%   epochs--epochs of the train
3 V! V6 C6 E; \1 c) A, p! h%   goal--errors goal of the network
%   lr--learning rate
$ G8 ~- Z5 S1 s( o# o5 e1 e%   shows--epochs between the displays
& I5 X' U% _+ \1 [! L%   time--Maximum time to train in seconds
net.trainParam.epochs=200000;  % 训练次数
nettrainParam.goal=0.0001;  % 误差期望值
& [# c& h( s  _6 f" t% returns of the train:
7 [+ N0 @0 O4 J2 o1 `%   net--New network
%    tr--Training record (epoch and perf).
" P  [6 f# s+ T%     Y--Network outputs.
%     E--Network errors.
[net,tr,Y,E]=train(net,p,t);
. r" t- [) c, `, \%%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%
& Y# B! O: m6 ^6 K/ d- J( A% input the testing points here %
title('神经网络训练结果');
8 j! D) S' P* z/ pxlabel('时间（天）');
ylabel('仿真输出结果');
legend('仿真模拟值','实际值','神经网络预测值');
! U2 m- A5 `" ?3 @% Y1 E8 B%%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
8 K5 q8 H- Z' S2 a( c$ Z& zx=1:5;
* e  d; h! @% @y=1:5;
y21=sim(net,p);
. u9 S/ f; _5 l3 S7 Hy2=reshape(y21,1,15);
clf
plot(r,y2,'b-^')
hold on
& b9 r1 S+ _9 k1 d. ^- N1 ~4 m3 x' mplot(1:20,day,'r-*')
+ w1 j$ O9 S( @0 k  w2 l% I%%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%
* J7 ?: y& b5 d5 z& R: v4 N0 Jy3=sim(net,h3);
# Z$ Z0 [3 v0 [$ [7 ]$ x; tplot(21:25,y3,'-*')
+ S# z: e  O- K2 p" Ohold on
& j% _5 R% S) R  F9 Wtitle('神经网络训练结果');
xlabel('时间（天）');
/ T# ]2 I7 P+ s) S5 \ylabel('仿真输出结果');
$ |, T8 b! ^% n* m# S4 T$ Hlegend('仿真模拟值','实际值','神经网络预测值');
5 d! h/ y$ Z0 e. n. _%%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
$ e7 Z) Y# u# V# Cx=1:5;
y=1:5;
plot3(x,y,E(x,y))

madio

是维数不一致造成的，我只能把代码调试的能运行，但是可能结果不一定对，你需要对前面的输入数据和网络结构做一些深入的了解

1. clear
   4 T3 b& l% i' G4 y6 @, {. N
2. day=[8.6187,8.3507,8.3142,8.2898,8.2791,8.2796,8.2784,8.2770,8.2770,8.2774,8.2780,8.1013,7.8087,7.3872,6.85,6.81,6.622,6.61,6.25,6.07];9 H, z) b9 p% e( T  i2 L: P. u) r! n
   
3. dayhistory=day(1:20);%取其中三十天作为历史数据样本
   - G- A0 J, I# Y5 ~
4. dayhismod=reshape(dayhistory,5,4);% 将历史数据分为6个样本，每个大小为5，其中reshape是以列排序的/ o- z+ Z2 c0 G
   
5. dayday=day(1:15);% 取其中的前25天9 r2 X. d5 c) o- `- F7 z) V\" y
   
6. daypost=day(6:20);%取其中的随后25天
   1 G) R& M1 _( i4 V; |* S4 U) ]; w5 K
7. p=reshape(dayday,3,5);% 将前25天数据分为5行5列矩阵作为网络的训练输入样本; o. a) q: w+ B* y\" n8 J
   
8. t=reshape(daypost,3,5); %将随后的25天分为5行5列矩阵作为网络的目标输出向量
   & i2 M7 W9 p8 _6 R  g* a) W0 x
9. daylast=day(16:20);
   \" ~! M3 g) C% c( G' \) B
10. h3=reshape(daylast,5,1);% 将倒数第二个样本作为网络测试时的输入样本/ K* W1 t& S\" i8 Q9 c# E
    
11. r=6:20;2 a& i8 Z' Z  K: A$ r! O! D
    
12. rr=reshape(r,5,3);& V7 a0 c. e9 H8 s7 z$ B
    
13. %%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%+ v+ j8 V8 ^  ~& f+ X: i
    
14. net=newff(minmax(p),[5,3],{'purelin' 'purelin'},'trainlm');
    ( |3 N  f\" k( i% N
15. y1=sim(net,p);
    ; ^\" a4 \2 N& O- s\" t( g
16. % 新建网络，其中minmax(p)为p的没一次输入的最大最小值向量
    6 j/ V0 d: h- F- ~; ]; V
17. % 两层的传递函数均为purelin0 R! h$ x8 @$ Z# O
    
18. % 训练函数为trainlm% J. u& s/ q% Y) t* B
    
19. % 所训练的网络大小为[5,5]
    * ^/ K: w3 U+ Y4 |3 H
20. % 仿真训练前的网络: D) b! c. M4 c% Y\" q\" s
    
21. 
    % C- o1 ?( F2 u0 ~
22. %%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%8 s/ [) b\" H# X* ?' r- `
    
23. % network parameters:5 X0 N; q# V) u+ o
    
24. %   epochs--epochs of the train
    3 r: `+ D. a: @/ j9 F& C* |
25. %   goal--errors goal of the network# b+ w5 {8 K- X3 u* G( _7 p
    
26. %   lr--learning rate- s# u4 {- U. T7 {$ V8 B& M0 Q
    
27. %   shows--epochs between the displays
    ( |4 l, Y: V7 j- s# @( g
28. %   time--Maximum time to train in seconds
    / l  E* T/ R1 y$ ^\" j5 b4 H
29. net.trainParam.epochs=200000;  % 训练次数; L+ t: R0 A: V9 d
    
30. nettrainParam.goal=0.0001;  % 误差期望值
    \" W4 @9 E' e/ D, x& P
31. % returns of the train:
    $ g& |8 B6 X' i! U3 e7 X
32. %   net--New network
    # Z7 w& i. Y, V8 g) ?9 J\" y
33. %    tr--Training record (epoch and perf).( L' v\" t  h  S# X* {) z
    
34. %     Y--Network outputs.
    6 v6 {% d) I; I$ t4 H2 w
35. %     E--Network errors.$ g/ S- D6 i, L7 ^
    
36. [net,tr,Y,E]=train(net,p,t);
    8 `+ c2 D( q( A6 I( H9 T0 W2 s& J9 d
37. %%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%
    / c6 s1 o4 G( `8 J1 u$ X( B
38. % input the testing points here %
    # S/ v0 N3 O0 Y+ I* A
39. title('神经网络训练结果');' x, Y3 w2 P. w7 I. E4 S
    
40. xlabel('时间（天）');* s+ C: ]# H\" H, s* M* d
    
41. ylabel('仿真输出结果');+ C2 o6 b0 n4 A& A6 P: _# Z% ?
    
42. legend('仿真模拟值','实际值','神经网络预测值');& w9 Y9 W6 G, L; t
    
43. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%& N0 f6 ^7 Z* P\" y: y% l9 @% @9 S
    
44. x=1:5;
    7 v7 q+ b8 w2 p4 O
45. y=1:5;# m. N/ h9 ~6 J7 [8 {
    
46. y21=sim(net,p);
    8 B: l6 Z8 }\" ]0 o- ]. Y: x
47. y2=reshape(y21,1,15);
    ; l8 S7 P8 b+ z+ I) c' p
48. clf) ^8 D9 t) Y5 K+ O# r! j
    
49. plot(r,y2,'b-^')
    . Q- z  u  R+ u/ a2 ^
50. hold on7 h/ _* R3 k* g
    
51. plot(1:20,day,'r-*')
    2 A' K/ E! c0 J; A1 ]
52. %%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%
    7 o# V2 R\" h6 U3 ~; D
53. y3=sim(net,h3);\" p3 g, y  ~7 O0 j\" \& C- g\" H
    
54. plot(21:21,y3,'-*')  v7 n( f' _. X, r8 d* k7 n
    
55. hold on/ f! P+ m+ j% }6 b: Q/ P) a
    
56. title('神经网络训练结果');1 N6 Y- {, F; z$ J( }% x, f
    
57. xlabel('时间（天）');
    # w! J. S. M1 u$ S1 L: K5 O
58. ylabel('仿真输出结果');. d$ p. s* K( O( p- g) n
    
59. legend('仿真模拟值','实际值','神经网络预测值');- O% o% X2 {! T; M
    
60. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%\" q' o) G/ Q3 q/ B% K* \\" h! J
    
61. x=1:5;# p! V* l6 @. C8 w/ ^+ t
    
62. y=1:5;1 {6 S5 t( X' c# u# U7 g\" \
    
63. plot3(x(1:3),y(1:3),E(x(1:3),y(1:3)))

复制代码