请问这个代码错在哪里，如何进行修改，谢谢

昌辉9

clear
# Q6 V# b( f$ I  X$ V! o/ Rday=[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
* c: w4 F  _3 i8 |: W( Q* adayhismod=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
9 D$ d5 {6 d& o1 j5 n8 @# h; B9 q+ xdayday=day(1:15);% 取其中的前25天
, b  R5 A4 z! p7 w' d( sdaypost=day(6:20);%取其中的随后25天
+ |+ _& Z& \/ Lp=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
4 o; O- p0 s6 ]$ [9 N% |8 l( ut=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);
( G8 i. ?  K# M' b" q$ Bh3=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;
7 D+ ]) J4 s1 i/ k+ }. brr=reshape(r,5,3);
% `3 {. ]5 c3 G) l% J( M%%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%
net=newff(minmax(p),[5,3],{'purelin' 'purelin'},'trainlm');
y1=sim(net,p);
2 f: K; ]  g! t, p% 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
1 A2 Q: ]% h  ~; u4 b% 两层的传递函数均为purelin
3 T8 T% G9 a6 K! r1 x- c% 训练函数为trainlm
% 所训练的网络大小为[5,5]
/ x- D. ?, N2 e% 仿真训练前的网络

%%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%
4 Z; D! ^# T  g) q5 b* {% network parameters:
( u' Z! w4 `4 R2 \; v8 b%   epochs--epochs of the train
2 V( x3 S# w! c%   goal--errors goal of the network
% h9 ~3 n; e0 Z$ n' g$ W5 j+ g- e" r%   lr--learning rate
%   shows--epochs between the displays
! X1 G" T8 D, `) U  [3 z%   time--Maximum time to train in seconds
net.trainParam.epochs=200000;  % 训练次数
nettrainParam.goal=0.0001;  % 误差期望值
- s0 S# P0 W4 v* g# p; g2 U% returns of the train:
%   net--New network
%    tr--Training record (epoch and perf).
%     Y--Network outputs.
' q0 h, R, }3 v- c/ ^1 T' a/ f%     E--Network errors.
) B% p$ M1 o/ y[net,tr,Y,E]=train(net,p,t);
%%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%
+ P5 h7 P1 {- d& U5 i) G% input the testing points here %
title('神经网络训练结果');
xlabel('时间（天）');
+ Z# C$ s% u1 n  C: {9 [ylabel('仿真输出结果');
legend('仿真模拟值','实际值','神经网络预测值');
% o7 h* K& a% L%%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
x=1:5;
8 y- ]$ b2 h% d3 w: V+ i" l# ^& i# Qy=1:5;
y21=sim(net,p);
y2=reshape(y21,1,15);
clf
plot(r,y2,'b-^')
hold on
plot(1:20,day,'r-*')
%%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%
y3=sim(net,h3);
* l7 g4 {8 n- K' j  u0 n$ c" {plot(21:25,y3,'-*')
hold on
! J4 o2 A  |: s9 s9 ?' l$ t  Dtitle('神经网络训练结果');
  M3 ~! ^" W0 A+ [5 _% h" w' ^xlabel('时间（天）');
ylabel('仿真输出结果');
# A0 B, K7 q  b8 U; J: H2 llegend('仿真模拟值','实际值','神经网络预测值');
%%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
x=1:5;
y=1:5;
plot3(x,y,E(x,y))
4 S1 Y% ~9 `* i, R* N' x8 ]. ^. h
- }0 b% Q; P# }6 K: D

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' |) v3 A2 ?2 r% r5 h/ G& q7 f! [; J
   
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];
   * c6 _0 g: Z+ Y. j$ h
3. dayhistory=day(1:20);%取其中三十天作为历史数据样本! s  v+ H8 X\" v! z8 y- d
   
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: {2 Z3 X! C) U9 u$ d* P2 D/ u, N  {
   
5. dayday=day(1:15);% 取其中的前25天
   ; ^% t) N! `/ o\" V. i& P
6. daypost=day(6:20);%取其中的随后25天+ ~: ?- Y. M' Y4 S
   
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3 Y8 s% I7 _: x  A+ Y( d) d
   
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1 p/ h. W& E6 J- S+ D8 ]# K
   
9. daylast=day(16:20);8 |9 x; s( a' [) {5 o
   
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0 H7 b6 ?9 n% _) K  s3 f
    
11. r=6:20;5 L2 |  M( I9 w
    
12. rr=reshape(r,5,3);
    5 J% Q/ _- F+ a) U9 Z
13. %%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%
    / a) r9 F- g7 U+ D
14. net=newff(minmax(p),[5,3],{'purelin' 'purelin'},'trainlm');& e' x2 u$ M6 t/ i5 X' z- I, u
    
15. y1=sim(net,p);# p; Q& u9 G- c
    
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  @: n* o/ s  L0 S0 s! g# z
    
17. % 两层的传递函数均为purelin
    9 q' p\" V* S5 O( E0 e; [
18. % 训练函数为trainlm
    \" W# Z' N# }6 p\" F
19. % 所训练的网络大小为[5,5]6 }; u. D1 Q& ?& w# H
    
20. % 仿真训练前的网络. V1 J- g* A  U. F( ?# G5 Q
    
21. , o. V( k, H% M/ _* T) r: l
    
22. %%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%
    ( f0 u% W9 W5 ~, [( k' {) A
23. % network parameters:2 D5 t) L. {) X7 v7 k6 P3 g* e
    
24. %   epochs--epochs of the train
    # C. j4 G2 _2 L8 L
25. %   goal--errors goal of the network; J6 D1 P- `9 W: S3 l' d5 r
    
26. %   lr--learning rate
    - c% N; l  h# I% Z
27. %   shows--epochs between the displays
    2 x' R$ a1 C\" X& g) T
28. %   time--Maximum time to train in seconds\" p. f( w$ d% _\" L5 N\" [
    
29. net.trainParam.epochs=200000;  % 训练次数
      h( M( M) p* L- C* t9 G7 B. o4 Z8 H% h# ~
30. nettrainParam.goal=0.0001;  % 误差期望值  h7 @/ J+ n) g  Q. @! Q3 H' A
    
31. % returns of the train:8 R5 c. b8 ]8 N+ a0 d; J
    
32. %   net--New network0 `5 Z; R# m6 t\" v
    
33. %    tr--Training record (epoch and perf).
    * N3 i4 `3 c, w1 B- a
34. %     Y--Network outputs.
    , t7 q\" D7 N( a: U
35. %     E--Network errors.
      e3 H% [/ A# V
36. [net,tr,Y,E]=train(net,p,t); . w1 m4 \2 Y7 I6 H' t% ]  n
    
37. %%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%
    * z! ^' n2 x$ j/ X/ j. o  S
38. % input the testing points here %
    ' x% [7 e! v) X\" h# F0 J% h7 D
39. title('神经网络训练结果');
    ; ~( I; W) U3 F5 }! }
40. xlabel('时间（天）');/ o/ w' c: Y9 _  ^7 I
    
41. ylabel('仿真输出结果');4 U6 V. S* a  T! N; [) }9 u; J
    
42. legend('仿真模拟值','实际值','神经网络预测值');# H$ Y: O* @1 c  V% G: I  c
    
43. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%\" R9 N5 w/ h% ^
    
44. x=1:5;
    ) r3 H' z6 p- w. F7 U
45. y=1:5;
    ( k! o4 j4 O# S! I7 i' H
46. y21=sim(net,p);
    ! ^$ v0 q, d/ `7 C3 A+ |' a
47. y2=reshape(y21,1,15);
    8 q& I4 E& C/ ~3 ~
48. clf$ Z3 i2 w8 O( t3 h; U& M
    
49. plot(r,y2,'b-^')
    9 J/ D$ o0 C3 n+ u9 t' A
50. hold on, c, X\" _7 F4 S- @( s+ F6 k
    
51. plot(1:20,day,'r-*')$ I\" b7 d- z% c* T7 f- v  w
    
52. %%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%\" [' u5 w: ?2 l  U* Y( q) _: R( |
    
53. y3=sim(net,h3);
    % i) P3 z7 o. f) Z: y/ a5 _
54. plot(21:21,y3,'-*')
    . V2 J( v- F8 o! w
55. hold on5 d: W. f1 ]) W& u& |' z
    
56. title('神经网络训练结果');4 P\" @  r\" e# x- Y1 A
    
57. xlabel('时间（天）');
    2 `5 P6 Y\" c  O5 V* d+ g
58. ylabel('仿真输出结果');
    1 z0 V& r( C\" Y9 c. ?4 u
59. legend('仿真模拟值','实际值','神经网络预测值');) X- M- U: j' i/ R3 O# ~- a
    
60. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
    5 L; e4 l' T) y9 b8 W* M
61. x=1:5;
    ( i( T. f8 L  f1 g4 f
62. y=1:5;! s, V  q6 u% M* ?6 K7 L
    
63. plot3(x(1:3),y(1:3),E(x(1:3),y(1:3)))

复制代码