请问这个代码错在哪里，如何进行修改，谢谢

昌辉9

clear
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
( e8 t+ l! M/ Idayhismod=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
8 m- A$ D7 u* f8 N+ C" c) b' ?2 Z4 }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
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
$ u+ X8 F$ e- I9 `daylast=day(16:20);
- n& A: y) {; h# k" L( U8 xh3=reshape(daylast,5,1);% 将倒数第二个样本作为网络测试时的输入样本
2 {4 x1 d4 c' a- p( y- `r=6:20;
rr=reshape(r,5,3);
' I& }1 A; C: `( |' f. G# g( E8 l5 Q%%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%
net=newff(minmax(p),[5,3],{'purelin' 'purelin'},'trainlm');
# w2 _9 {' ~# [8 R7 U5 Ry1=sim(net,p);
% 新建网络，其中minmax(p)为p的没一次输入的最大最小值向量
* d/ j+ U1 l/ t- A6 b% 两层的传递函数均为purelin
% 训练函数为trainlm
" K5 w! x" N/ c% 所训练的网络大小为[5,5]
2 l5 q7 n2 k5 E, T5 W/ n% 仿真训练前的网络
/ R# ~" F( M6 _$ d% ~5 m
%%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%
% network parameters:
%   epochs--epochs of the train
& Y/ r* l9 K/ V$ L$ `%   goal--errors goal of the network
%   lr--learning rate
% ~3 a8 D) s! a+ s  L%   shows--epochs between the displays
%   time--Maximum time to train in seconds
net.trainParam.epochs=200000;  % 训练次数
nettrainParam.goal=0.0001;  % 误差期望值
% returns of the train:
$ P, x9 z2 w. D1 D%   net--New network
9 z" X' D! t' ~3 g9 ^%    tr--Training record (epoch and perf).
%     Y--Network outputs.
1 t7 ~) X% c. c2 v) @3 Z%     E--Network errors.
) ?6 `7 t" t$ Z( ~# B1 x5 ^1 J[net,tr,Y,E]=train(net,p,t);
%%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%
8 N) s3 X7 M: p1 x8 ~6 P5 T% input the testing points here %
title('神经网络训练结果');
! z6 m1 n9 J. K; b7 Dxlabel('时间（天）');
2 K4 ?' m) A. z8 x  [4 @/ Mylabel('仿真输出结果');
legend('仿真模拟值','实际值','神经网络预测值');
%%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
x=1:5;
5 n0 z6 O9 ?0 C/ ?/ W$ @0 t  Uy=1:5;
0 l7 A' b  g/ }8 T, Y% f2 F: Ky21=sim(net,p);
y2=reshape(y21,1,15);
& C8 k; V6 _5 Y3 {2 ?/ Wclf
! P4 z$ h% o" y% f! G+ U  l( eplot(r,y2,'b-^')
3 j% W5 f2 U# Ghold on
plot(1:20,day,'r-*')
%%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%
y3=sim(net,h3);
/ G2 D/ Y/ i/ F% c3 F" rplot(21:25,y3,'-*')
1 f- v8 w6 M# A1 S3 X" `: u$ D4 `* u3 `hold on
title('神经网络训练结果');
xlabel('时间（天）');
8 u) N5 b: x) I+ k& J7 Pylabel('仿真输出结果');
legend('仿真模拟值','实际值','神经网络预测值');
%%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
$ C9 B2 E" A5 Z2 `2 X+ u; Qx=1:5;
% U4 |7 Y( ~5 h& S5 U! \! vy=1:5;
( ?* x4 e- a6 V% H9 ?, L8 g" d. Pplot3(x,y,E(x,y))

! b" c+ |' r, a; Y7 f$ ^

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. clear1 B) N/ |* N# d
   
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];) u4 i. d8 l/ p0 n2 D4 c+ N
   
3. dayhistory=day(1:20);%取其中三十天作为历史数据样本
   - Z0 a6 i9 U0 {/ c: p
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6 P- F& Z  Z7 s8 \0 o2 q
   
5. dayday=day(1:15);% 取其中的前25天
   2 I\" O/ U) }7 q2 b* u7 l) ~3 `
6. daypost=day(6:20);%取其中的随后25天
   \" x$ e( ^  k0 {0 u4 i+ s: f
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9 r* {1 e; O: T: l9 {* o( T8 _
   
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
   * P( _* `; w6 ]) u  Q$ o$ M
9. daylast=day(16:20);
   - W* C; [0 U  \1 z7 a! P8 ^2 r: Q
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- P  G& `, c/ B' ?
    
11. r=6:20;# D+ j5 q- e: ~# j0 {
    
12. rr=reshape(r,5,3);, P% j- N$ f3 w
    
13. %%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%
    ! }- l8 ?; n& P2 n- g) a& r
14. net=newff(minmax(p),[5,3],{'purelin' 'purelin'},'trainlm');8 i* h/ S: r$ B: N) A9 Z% j
    
15. y1=sim(net,p);) T6 A6 Z$ j% N3 y$ Z. Y0 d
    
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' }& V2 {- Q* t
    
17. % 两层的传递函数均为purelin
    8 _' u\" H  R7 a* t8 l5 ?
18. % 训练函数为trainlm
    $ C# N/ _2 @/ m! V
19. % 所训练的网络大小为[5,5]: @% ?* [, V  w, z/ H% Y4 ]
    
20. % 仿真训练前的网络) \- W4 u# _7 K2 i
    
21. 
    4 v: F4 q- u0 g+ G0 j' J
22. %%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%# S1 ?- `7 M2 K7 H9 M9 o
    
23. % network parameters:5 U1 X4 o9 @- \! A$ P
    
24. %   epochs--epochs of the train- u) Y\" ~- K+ y
    
25. %   goal--errors goal of the network& p) {: k4 R# R3 y' ]
    
26. %   lr--learning rate+ O$ Y0 e\" L8 @3 m% O
    
27. %   shows--epochs between the displays6 l( o7 y4 c, h1 O: m
    
28. %   time--Maximum time to train in seconds- T5 n5 j: T. }
    
29. net.trainParam.epochs=200000;  % 训练次数$ ?. C/ h, }3 J# W4 N; a3 ]
    
30. nettrainParam.goal=0.0001;  % 误差期望值& [5 F  i$ u; ~9 B5 c- ]4 w+ @
    
31. % returns of the train:& Q/ J5 r\" |4 Q
    
32. %   net--New network8 H  L# p. S; }' R
    
33. %    tr--Training record (epoch and perf).
    * Y) b. A# ^! @) [! a, m) q% K
34. %     Y--Network outputs.7 l( w; z$ Q6 A* z  W
    
35. %     E--Network errors.8 l9 ?1 J9 [* |& o& ?, P/ h, {( W# V
    
36. [net,tr,Y,E]=train(net,p,t);
    - A7 b$ D+ T2 s# n/ T1 ]! |
37. %%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%6 d7 C& x0 X5 _) f
    
38. % input the testing points here %
    # ], _2 S/ K8 J  p; l2 |' ]
39. title('神经网络训练结果');0 o4 U; i: @/ t, f+ o
    
40. xlabel('时间（天）');2 S/ z& a4 D5 _/ u2 i$ U6 k
    
41. ylabel('仿真输出结果');& a! l/ D/ D5 r. y# L
    
42. legend('仿真模拟值','实际值','神经网络预测值');7 ]$ r& D/ E1 }8 Z! D
    
43. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
    \" ?9 v, Z/ \$ w0 G0 b* \7 }5 N& ^
44. x=1:5;# S$ m0 m' ]6 Q1 o2 X7 p3 Q9 q3 g
    
45. y=1:5;1 u; E4 d/ D$ L* }& R, v
    
46. y21=sim(net,p);
    4 {; ~1 \6 s8 R, S3 X2 l8 N
47. y2=reshape(y21,1,15);, q% p, _0 f' a7 |
    
48. clf, y2 C7 x+ Z6 K) r' N/ D
    
49. plot(r,y2,'b-^')( P3 V# \\" f1 M: x, P) s
    
50. hold on; E( P6 ?, d' A- Q! s' |4 g5 u' H
    
51. plot(1:20,day,'r-*')1 c8 _# e5 i! K+ W6 `
    
52. %%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%; b8 g9 S6 U2 I# h5 N( A! o
    
53. y3=sim(net,h3);
    ' c3 E, r' b% S0 o
54. plot(21:21,y3,'-*')
    1 W! |& U, ^+ s0 l
55. hold on. G2 G, u' r: P) N. F
    
56. title('神经网络训练结果');& G8 ?. j: e& K# z- I3 p# ~
    
57. xlabel('时间（天）');9 {% |* `' `& S3 [9 W& a
    
58. ylabel('仿真输出结果');
    - `0 w8 [) T: X\" K5 |& `( r
59. legend('仿真模拟值','实际值','神经网络预测值');/ G& ]& ]; ?) I: X/ _# w, [9 o9 S
    
60. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
    9 c- @* u; Q& S
61. x=1:5;7 q0 z* y1 R. h
    
62. y=1:5;
    6 L& m6 Q$ D- h\" i8 ~
63. plot3(x(1:3),y(1:3),E(x(1:3),y(1:3)))

复制代码