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
2 f, n8 @+ v6 {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
  w# d; f6 ~5 Qdayday=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
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
* C; L2 x& l$ h" {/ X9 Ddaylast=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;
& Y. d3 J) ^! V9 t/ N+ brr=reshape(r,5,3);
%%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%
0 R4 ~" s6 v  a8 {5 G* Xnet=newff(minmax(p),[5,3],{'purelin' 'purelin'},'trainlm');
% s- n' \5 T. A8 N2 O; V" py1=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
% 所训练的网络大小为[5,5]
% 仿真训练前的网络

5 M! d! |8 P8 R%%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%
7 Y& |, ^9 u* ?$ H- n+ W% network parameters:
' l" J4 S5 ^+ a4 v1 O; P: a%   epochs--epochs of the train
  X% P( R, S* W7 N6 `! ]. l%   goal--errors goal of the network
# F3 K2 U3 X5 t( L8 W# u%   lr--learning rate
%   shows--epochs between the displays
' R* R8 D* j; B7 }# A%   time--Maximum time to train in seconds
net.trainParam.epochs=200000;  % 训练次数
, v+ f* M, u( b7 N( z4 MnettrainParam.goal=0.0001;  % 误差期望值
8 h' O4 y3 B8 j8 m# f% returns of the train:
%   net--New network
%    tr--Training record (epoch and perf).
%     Y--Network outputs.
, J9 h6 z; ?! N* m8 n" R%     E--Network errors.
[net,tr,Y,E]=train(net,p,t);
4 w  |+ j% z/ J% r- H3 |* |9 A" H%%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%
% input the testing points here %
title('神经网络训练结果');
7 W9 w9 n( n$ C$ `3 z' t9 axlabel('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 %%%%%%%%%%%%%
1 M! v& ~! t( Q" z3 _. bx=1:5;
y=1:5;
  @5 A  [7 l& d* G% ]y21=sim(net,p);
y2=reshape(y21,1,15);
' j' x- {/ r6 q8 p1 R; sclf
& |8 Q7 W1 w# F0 q8 dplot(r,y2,'b-^')
hold on
plot(1:20,day,'r-*')
. X) {3 P9 F# i7 Y%%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%
y3=sim(net,h3);
plot(21:25,y3,'-*')
hold on
6 [5 Z+ W9 z7 p) ?- I3 F5 ]title('神经网络训练结果');
3 K: C8 [- J* h5 Fxlabel('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 %%%%%%%%%%%%%
& r' @/ P; b. h" d  s! R6 t1 h0 U1 q! ux=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; l! [) n/ |6 c) ]; B5 t
   
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];
     K/ U! S4 |& U3 q2 Y
3. dayhistory=day(1:20);%取其中三十天作为历史数据样本
   : m; {' f& x  Y$ E' n
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9 G+ r, h6 j% [# Q6 `2 E
   
5. dayday=day(1:15);% 取其中的前25天
   1 Y' b2 F% p6 K4 y
6. daypost=day(6:20);%取其中的随后25天
   1 h- J' J. B: v* h% s  k2 l
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
   - ]( W3 ]5 I& U+ T
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
   5 V9 M, a5 x4 i2 }0 h- K0 D
9. daylast=day(16:20);
   3 v. l: b$ o. ]6 K5 T
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) j; u6 U6 y# t' G& E
    
11. r=6:20;
    ( P9 W* r& z' j
12. rr=reshape(r,5,3);( c: X' M) A( U
    
13. %%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%
    $ G' \5 |' g& C3 g
14. net=newff(minmax(p),[5,3],{'purelin' 'purelin'},'trainlm');
    9 N- N$ q6 E$ x( r
15. y1=sim(net,p);1 d/ p7 U' o: i1 d' N4 d3 g2 M
    
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
    4 O! J\" [$ e1 l\" Q1 J$ G
17. % 两层的传递函数均为purelin; L3 c$ b+ |( |+ j5 ~\" S
    
18. % 训练函数为trainlm
    7 X/ O+ ?  A0 q3 g. E% o
19. % 所训练的网络大小为[5,5]
    & B4 @, f  ]9 ?. A
20. % 仿真训练前的网络+ |9 K: Q5 h  \7 s
    
21. 
    ; R! v8 X& z; E! H+ T0 _
22. %%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%' i2 X8 H7 z3 C5 x$ a: a0 Z
    
23. % network parameters:
    ! A0 s3 s\" `4 N) D/ R; Y
24. %   epochs--epochs of the train' _( R: A2 N7 c5 @
    
25. %   goal--errors goal of the network
    ( b7 r6 g- }5 l' U) m* q! V
26. %   lr--learning rate! ^0 ^, B; I$ w2 q  H& U  k
    
27. %   shows--epochs between the displays- C( t  B4 \, ?+ C/ v% i
    
28. %   time--Maximum time to train in seconds
    9 }1 o. i\" c' `, t! U5 K
29. net.trainParam.epochs=200000;  % 训练次数
    2 p/ r5 H/ g) q' r1 v\" J
30. nettrainParam.goal=0.0001;  % 误差期望值
    / A  r' r$ z+ Q0 A4 F& E0 k
31. % returns of the train:& i; |( M, G3 W
    
32. %   net--New network
    ' l( v' n1 O+ r4 O7 B$ s+ r  G
33. %    tr--Training record (epoch and perf).
    2 k5 ~; x\" M  ^& Z6 Q\" T. m\" Q
34. %     Y--Network outputs.9 l1 w: \9 I# w7 f/ P
    
35. %     E--Network errors.# Y3 m; K' Y7 w, j/ p6 O
    
36. [net,tr,Y,E]=train(net,p,t);
    ) \+ L, z\" G3 [- t, z+ Z+ R
37. %%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%
    ( P4 y& C- ]1 A6 G, _8 u- A
38. % input the testing points here %6 C( F3 z3 V( k\" ?9 k, p- a3 G
    
39. title('神经网络训练结果');: _* T: y1 V8 T# [' v- M
    
40. xlabel('时间（天）');9 y7 M8 @8 ?0 ]- A! k
    
41. ylabel('仿真输出结果');% c9 b: Y  C' u8 h$ Y% U( k/ d
    
42. legend('仿真模拟值','实际值','神经网络预测值');+ v5 K# N8 I; r7 Q# i# W
    
43. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%# G6 Q9 w( }, I% Z+ d# j7 p- U/ K
    
44. x=1:5;: A6 s) A# _6 @- @
    
45. y=1:5;
    7 C/ y, t1 P  M4 g( W' J
46. y21=sim(net,p);
    3 _1 H, A2 H4 o: l/ Q  |3 L1 [# J3 k8 g
47. y2=reshape(y21,1,15);% V! ]6 J+ w+ k
    
48. clf5 d( A! {5 V3 Z+ h
    
49. plot(r,y2,'b-^')
    6 a2 c9 T6 V$ r) y* p( `- H
50. hold on5 ^: s* C( n5 O, m- q; {  H
    
51. plot(1:20,day,'r-*')
    7 {) W3 h( @$ Q& g5 F% y
52. %%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%
    & m, L5 E+ ~$ \2 s5 @' B7 K% ~
53. y3=sim(net,h3);
    7 P8 N# S) j1 @\" U
54. plot(21:21,y3,'-*')
    7 g! `& P* S, v& U
55. hold on
    - W9 K) I5 ]0 N6 ~
56. title('神经网络训练结果');3 o% ^9 @8 I7 R' q
    
57. xlabel('时间（天）');
    ; ]$ m. g) `: \8 P6 }) {
58. ylabel('仿真输出结果');* d\" r2 |% Y* m. d\" x9 t$ r. W
    
59. legend('仿真模拟值','实际值','神经网络预测值');\" J8 ^\" l3 H+ b( s
    
60. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
    + N2 p& m0 h9 k# {  s4 \
61. x=1:5;7 s4 E6 s( a# D1 D
    
62. y=1:5;& {7 G5 \& y, G5 j$ l
    
63. plot3(x(1:3),y(1:3),E(x(1:3),y(1:3)))

复制代码