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];
- L' y% m6 O! bdayhistory=day(1:20);%取其中三十天作为历史数据样本
8 x: n7 T. M( g4 H8 e; X& Y4 qdayhismod=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
! s( F6 M+ s3 }% f  V& U1 Fdayday=day(1:15);% 取其中的前25天
. Y7 {3 A, h( g9 r; |9 J* J! \; i1 fdaypost=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
; d; I/ H6 s4 Y7 R# nt=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
) Y. U7 D% g" U. P' l  gdaylast=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;
$ k, B0 L8 }" w1 @rr=reshape(r,5,3);
: a9 d6 f2 H/ V9 P2 O/ {%%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%
net=newff(minmax(p),[5,3],{'purelin' 'purelin'},'trainlm');
. F7 q9 a' [6 ]* ]1 x0 Yy1=sim(net,p);
# E# j* T) ~1 u9 k; L9 T9 h+ ?( K6 c0 Q% 新建网络，其中minmax(p)为p的没一次输入的最大最小值向量
. i  e5 z7 p/ C. `% 两层的传递函数均为purelin
% 训练函数为trainlm
0 M( R& D9 W  T+ {% 所训练的网络大小为[5,5]
% 仿真训练前的网络

4 R$ h! d% C1 h% s( a%%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%
% network parameters:
%   epochs--epochs of the train
4 L+ |, i, U- |+ S* I# k) {%   goal--errors goal of the network
%   lr--learning rate
. i7 q# H" u6 t6 V* C, n%   shows--epochs between the displays
4 o, s1 x, T) o. P7 X%   time--Maximum time to train in seconds
: K2 b6 J; b& hnet.trainParam.epochs=200000;  % 训练次数
* H& }. c4 Y6 N/ z8 RnettrainParam.goal=0.0001;  % 误差期望值
% returns of the train:
8 B* x% p# C7 b, t%   net--New network
- r  ^5 g* k7 t7 w3 ]8 u2 ?%    tr--Training record (epoch and perf).
%     Y--Network outputs.
%     E--Network errors.
9 E! {5 L! d5 A; g  f5 N8 t4 Z[net,tr,Y,E]=train(net,p,t);
1 ^: X! X) w! }9 ~5 j* w# Q%%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%
% input the testing points here %
& y/ ?* ?* y  ntitle('神经网络训练结果');
7 X6 b6 O! h& w: Mxlabel('时间（天）');
3 s" @  ^7 e& O5 ?ylabel('仿真输出结果');
legend('仿真模拟值','实际值','神经网络预测值');
2 X4 L, Q7 |$ q9 y%%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
1 b' }+ J$ Z- t; l; Ex=1:5;
y=1:5;
3 G7 [# l0 N8 y* ~) W' `y21=sim(net,p);
( B0 ^. Z3 W0 M) g: Ly2=reshape(y21,1,15);
clf
plot(r,y2,'b-^')
$ L4 n7 H% o6 Y& K  Y+ @) e3 n& _+ Hhold on
plot(1:20,day,'r-*')
  l8 L' M) K  X; o& `/ A# j%%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%
% Q: v& \. \4 Q% a! {7 Xy3=sim(net,h3);
plot(21:25,y3,'-*')
" K6 R$ O8 v: }6 X) @- Whold on
title('神经网络训练结果');
xlabel('时间（天）');
; S4 T7 ^2 w! k5 Q+ R( Mylabel('仿真输出结果');
5 e# [" n3 M; |  p8 l+ tlegend('仿真模拟值','实际值','神经网络预测值');
! Z0 @, {" z: l1 t( N1 ~  L0 V%%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
4 n% ]7 I9 b' X0 s1 X$ ax=1:5;
9 `; M* U- z$ y0 Uy=1:5;
plot3(x,y,E(x,y))
8 Q* A1 E! z1 A. X5 \7 T

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. clear9 ~4 z& w+ `8 _- s& r( s
   
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];4 R( h2 h7 L- ?1 G2 U3 J' {, Y
   
3. dayhistory=day(1:20);%取其中三十天作为历史数据样本
   3 o- _7 T; m! K# I8 d* z
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
   / v* Z: }/ p# q- m& x, }7 ?7 ?1 h
5. dayday=day(1:15);% 取其中的前25天; D2 q. p5 L( p1 E$ N* B
   
6. daypost=day(6:20);%取其中的随后25天& @; b# E. C; L, a* v. B
   
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4 I1 |) T; G\" ]5 `\" l8 {
   
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6 D0 u- ~# D, f( X& X
   
9. daylast=day(16:20);
   3 d/ A\" o% l2 f6 R
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% w4 b+ u( x$ [- W
    
11. r=6:20;' l( R  X8 J2 Z
    
12. rr=reshape(r,5,3);2 {7 c% s* a' I8 w8 n7 Y$ |
    
13. %%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%6 y7 Q$ s( r8 p4 D3 D3 f( J
    
14. net=newff(minmax(p),[5,3],{'purelin' 'purelin'},'trainlm');
    . h2 P0 l- }1 G1 U% q\" d5 Z
15. y1=sim(net,p);
    * r/ q0 T6 F+ t* b  a$ R
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. q) n0 L/ m& L  |6 |4 o& Z: a* k9 s  J
    
17. % 两层的传递函数均为purelin
    \" V+ ?1 q$ K  Q: y
18. % 训练函数为trainlm
    9 K; O- C$ f3 D) m- l5 z& Z
19. % 所训练的网络大小为[5,5]* y( \+ f) d  ^1 _
    
20. % 仿真训练前的网络
    5 H5 J0 m+ u# d) H5 x! N, _2 V5 ~
21. 
    9 d7 O/ U: {% d7 U, D
22. %%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%
    . h\" z* g( C) w1 P# ^: ?
23. % network parameters:
    $ u: p) ?1 o# O! `5 J/ C
24. %   epochs--epochs of the train
    ! j* d% d: f1 e6 u% O' Q/ @4 v
25. %   goal--errors goal of the network, L! ^5 E7 O1 l! f3 D
    
26. %   lr--learning rate
    % T3 `- Z  E5 h7 S
27. %   shows--epochs between the displays$ F# }/ p9 H9 D7 N0 v9 r# }- z
    
28. %   time--Maximum time to train in seconds
    7 x. B+ B5 v6 W+ c
29. net.trainParam.epochs=200000;  % 训练次数6 T1 H+ l/ e9 ]9 K( |% `
    
30. nettrainParam.goal=0.0001;  % 误差期望值
    : p( ~% m0 ?) [' N0 q1 n3 c
31. % returns of the train:( d4 Q2 [6 L\" T, X
    
32. %   net--New network
    0 f. d+ w# w9 O+ Q1 h
33. %    tr--Training record (epoch and perf).; _4 M9 a\" I. g/ M1 \0 r7 {; x
    
34. %     Y--Network outputs.+ F! \$ l8 t. w) w# \
    
35. %     E--Network errors.
    2 q! f5 h; p4 D% b8 ^) B
36. [net,tr,Y,E]=train(net,p,t); . L7 p6 B, f/ E) s9 K3 Y
    
37. %%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%0 I/ l2 G\" w) Z\" [
    
38. % input the testing points here %
    + [6 G% p; z. @9 X\" g  h) h
39. title('神经网络训练结果');4 b2 I; o0 F\" O. r: _
    
40. xlabel('时间（天）');% i0 [# T/ h0 O/ Z
    
41. ylabel('仿真输出结果');
    3 L' T9 j& Q- q* a8 [  l% E
42. legend('仿真模拟值','实际值','神经网络预测值');
    & ]0 e! L# K7 ]9 \1 G4 }) E
43. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
    + X. \3 S8 q% l& x1 s7 C! S
44. x=1:5;- `5 r+ M' [: Q& y\" N, n; k% F
    
45. y=1:5;/ e7 i; u. J3 P% I- _7 `2 N7 U
    
46. y21=sim(net,p);
    9 L8 d8 l6 x2 p\" q3 T
47. y2=reshape(y21,1,15);
    7 B' y8 a/ E# X\" s: p% h0 _+ D! G4 l
48. clf
    . m: `\" b8 U, t) t# z3 D
49. plot(r,y2,'b-^')
    $ k4 f# k% E2 e5 i1 j# [
50. hold on9 h' Q/ ]% t- m% y3 k3 |/ P
    
51. plot(1:20,day,'r-*')5 D\" |, x0 z2 r$ w. A
    
52. %%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%
    . e/ d, Z) B) P( e1 [3 M. y$ u
53. y3=sim(net,h3);2 t  N4 ?6 b, `+ S! b$ i
    
54. plot(21:21,y3,'-*')7 r% M5 \5 y5 Y. P% Q
    
55. hold on. L- l6 R! e7 d/ h# |\" @/ E8 W
    
56. title('神经网络训练结果');
    # b* H6 N\" ?, G/ W( j
57. xlabel('时间（天）');
    9 z\" r6 x, n% r- R. Y  r
58. ylabel('仿真输出结果');
    7 h  k! x4 ]+ A+ J1 [1 l3 @8 M
59. legend('仿真模拟值','实际值','神经网络预测值');
    1 |. V. n+ P; z( _. k/ u/ M4 A8 t5 {
60. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%# M- f; t* D\" m
    
61. x=1:5;
    * k& `- f( Y- u# d
62. y=1:5;- u) B' ?4 f3 x7 ~  x+ {
    
63. plot3(x(1:3),y(1:3),E(x(1:3),y(1:3)))

复制代码