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];
3 M3 d& U, Z& k2 I! Xdayhistory=day(1:20);%取其中三十天作为历史数据样本
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
% p+ `( x; Y  L, r  o8 Z: Y* Jdayday=day(1:15);% 取其中的前25天
daypost=day(6:20);%取其中的随后25天
5 ?' K) ?$ `5 e+ c* Ep=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
% {! H0 B( X+ l" G$ X+ ndaylast=day(16:20);
+ |1 [+ q! u  `) o& Ah3=reshape(daylast,5,1);% 将倒数第二个样本作为网络测试时的输入样本
. N" p/ }0 g9 O+ d& L: y3 D, er=6:20;
rr=reshape(r,5,3);
%%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%
% p) P" s0 V0 r" _% f# Ynet=newff(minmax(p),[5,3],{'purelin' 'purelin'},'trainlm');
y1=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
% 两层的传递函数均为purelin
% 训练函数为trainlm
2 E9 x9 X" Q6 J( g: X# `- P2 b. c3 C' Q% 所训练的网络大小为[5,5]
% 仿真训练前的网络
# u4 G" k. h; e5 O5 n+ ?
%%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%
' ~: K$ x. d0 ~* W% network parameters:
%   epochs--epochs of the train
1 O& f  I; J. o0 s3 J%   goal--errors goal of the network
%   lr--learning rate
%   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:
%   net--New network
3 l# }  \6 }/ n1 S3 q& ]. r%    tr--Training record (epoch and perf).
%     Y--Network outputs.
%     E--Network errors.
[net,tr,Y,E]=train(net,p,t);
%%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%
% input the testing points here %
) \2 _, Y$ Q- u5 e; Etitle('神经网络训练结果');
5 e7 c  G9 y1 W  C6 G2 sxlabel('时间（天）');
ylabel('仿真输出结果');
, f0 T4 i# r2 N% y0 glegend('仿真模拟值','实际值','神经网络预测值');
%%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
x=1:5;
  N1 S/ L. t8 N& By=1:5;
y21=sim(net,p);
6 s, `( P4 t+ Py2=reshape(y21,1,15);
clf
plot(r,y2,'b-^')
hold on
plot(1:20,day,'r-*')
: Y7 G/ i- m* U3 x%%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%
+ j- z& [1 l0 Q; a# N: Qy3=sim(net,h3);
3 ]9 G8 K  ?% _! {' {$ Dplot(21:25,y3,'-*')
hold on
title('神经网络训练结果');
xlabel('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');
%%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
0 r4 Q6 S, ]& l7 L& Px=1:5;
- |( B3 x+ {0 C" |y=1:5;
  J9 ~6 a0 F: @, @plot3(x,y,E(x,y))

: g+ E$ r+ M0 u, ~: s  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
   , R6 s% u% X* ]7 q& O
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];# I+ v' [\" y' i3 S
   
3. dayhistory=day(1:20);%取其中三十天作为历史数据样本
     r. j/ F- M\" F8 V
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( ?0 r0 }  E& k8 u! G5 T5 e
   
5. dayday=day(1:15);% 取其中的前25天: d: T# W% I! o\" n5 ]
   
6. daypost=day(6:20);%取其中的随后25天
   : ~\" ^- z\" C: a0 L7 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
   & U0 m5 \$ h- R\" a9 g6 J9 ?
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* V2 q/ k2 z' h
   
9. daylast=day(16:20);; K9 d& p& f+ S! Z% P. ~' U
   
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: d+ [7 r  g\" Q# {# K0 Z5 \
    
11. r=6:20;; r/ x9 o. S( t$ f5 j& ^' Z\" r
    
12. rr=reshape(r,5,3);% }0 h2 D3 }8 s, l: h1 ?/ I
    
13. %%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%\" t4 h( ~, L5 |5 h9 |
    
14. net=newff(minmax(p),[5,3],{'purelin' 'purelin'},'trainlm');1 H/ s1 T9 B  N8 d. I
    
15. y1=sim(net,p);- @* ]& n! g; i4 b8 |. V% 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
    0 |6 E( j- [- ^
17. % 两层的传递函数均为purelin& x( L7 ^* d' Q5 g& y
    
18. % 训练函数为trainlm; S  _+ V3 J3 o* }0 W
    
19. % 所训练的网络大小为[5,5]
    4 J  b% v* d- H
20. % 仿真训练前的网络+ r/ \* E& q( p  `
    
21. 
    9 X: y# x; \\" }; z* }  E( C+ U
22. %%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%: J' e0 ~6 D  a# M, S
    
23. % network parameters:
    $ L, N  h& t, [$ e
24. %   epochs--epochs of the train& g7 X9 w0 [  b' G9 S( I$ n
    
25. %   goal--errors goal of the network$ T% L+ I- b* B' L! [
    
26. %   lr--learning rate+ b# _( V) z, S% x/ e
    
27. %   shows--epochs between the displays8 v. i6 e6 |  [4 A2 o4 {
    
28. %   time--Maximum time to train in seconds' }& B8 @$ k* }4 t' x+ p1 @3 R9 X
    
29. net.trainParam.epochs=200000;  % 训练次数
    : c8 c$ Y8 Q: ~0 _1 O
30. nettrainParam.goal=0.0001;  % 误差期望值
    ; w1 U0 v6 }& Q8 i& W
31. % returns of the train:* h% G# r0 V# I+ E: [' i
    
32. %   net--New network
    , X\" w; m4 `% @& a
33. %    tr--Training record (epoch and perf).
    % e* n0 ?; r% U& |% e, E/ ~
34. %     Y--Network outputs.
    ' z- G' a% r( e3 ^8 P% d
35. %     E--Network errors.' {1 O. w/ B. ~0 ^/ @
    
36. [net,tr,Y,E]=train(net,p,t);
    $ u- g7 `1 }3 ]  z/ s. ^
37. %%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%1 Y0 ^\" _\" {4 I& n* j+ o
    
38. % input the testing points here %# s1 Z9 }4 E9 W+ y4 u  U3 d
    
39. title('神经网络训练结果');
    % r6 \* h) @. u. Y3 L
40. xlabel('时间（天）');. v) x0 d7 I7 t+ U  M/ `
    
41. ylabel('仿真输出结果');( r\" {# G4 J# o) l3 Z8 y
    
42. legend('仿真模拟值','实际值','神经网络预测值');* ]& A& l1 B; ~7 K3 c
    
43. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
    ' ^* Z! {/ d1 L# Z
44. x=1:5;) `6 {* u& I+ c( P( ~0 U
    
45. y=1:5;
    $ m5 S% o% B- g5 N! e6 M) Z
46. y21=sim(net,p);5 Y. x& K, {' u% d4 y$ [
    
47. y2=reshape(y21,1,15);
    * A( P' C1 U$ E& G1 T7 X6 D
48. clf' w# t: Q3 Y( j) F
    
49. plot(r,y2,'b-^'). P! P5 k' B4 k$ ^+ ~
    
50. hold on
    $ c9 G* e1 f* S' l* P
51. plot(1:20,day,'r-*')8 t8 B9 e7 {2 ~\" R0 |! @
    
52. %%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%
    4 I\" O8 m2 ^! V1 m2 j6 \: B& b
53. y3=sim(net,h3);
    , {# t& }% g; T- k7 y
54. plot(21:21,y3,'-*')
    $ c5 U4 P: N! L  H4 D
55. hold on
    / j- W9 e! N! e1 k9 s4 t% B* b, Y4 @3 s
56. title('神经网络训练结果');
    1 v) L' v& _3 M- Z
57. xlabel('时间（天）');
    ) R, g# T  j/ t2 K! I( y& t  O
58. ylabel('仿真输出结果');
    5 u! Q) r. y1 S
59. legend('仿真模拟值','实际值','神经网络预测值');# e% d6 P# d( T% M6 @+ ^
    
60. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%0 S# L) R7 }( D% _. _8 {7 F$ p. N
    
61. x=1:5;1 w\" h0 P! d- [/ M
    
62. y=1:5;9 q6 N, [2 L+ ~, U  b$ v& |- \
    
63. plot3(x(1:3),y(1:3),E(x(1:3),y(1:3)))

复制代码