请问这个代码错在哪里，如何进行修改，谢谢

昌辉9

clear
! Z# R( c- w' _0 G' `$ Bday=[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
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
& }8 p" P/ E1 E. m" Vdayday=day(1:15);% 取其中的前25天
daypost=day(6:20);%取其中的随后25天
/ I" q0 P1 ~/ g! Dp=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 N7 d% v, b# ?+ wt=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
0 x1 o4 u5 e6 {- _8 C8 V- e  l, vdaylast=day(16:20);
& a- I4 P0 F5 Eh3=reshape(daylast,5,1);% 将倒数第二个样本作为网络测试时的输入样本
& I) }, M1 w+ H! L% Ir=6:20;
& |0 k  ^  j, M. err=reshape(r,5,3);
%%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%
) t( R; ]8 n6 c2 ^net=newff(minmax(p),[5,3],{'purelin' 'purelin'},'trainlm');
y1=sim(net,p);
" ~; p  N- w: 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
: C* e0 A: L: m; _2 g% 两层的传递函数均为purelin
% 训练函数为trainlm
" |8 G+ G8 f0 a8 l! Y% 所训练的网络大小为[5,5]
% 仿真训练前的网络
. W) [' p7 P% h% E8 l
* t4 J! \/ n  X) C%%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%
% network parameters:
%   epochs--epochs of the train
%   goal--errors goal of the network
( `/ q# V- I" B* Q) Q% @! R%   lr--learning rate
%   shows--epochs between the displays
%   time--Maximum time to train in seconds
1 @' f, g; y# K! l2 a1 t" gnet.trainParam.epochs=200000;  % 训练次数
nettrainParam.goal=0.0001;  % 误差期望值
% returns of the train:
$ e. k5 g+ \* h  `- e/ C  {' \%   net--New network
. r* ~9 ^+ P* J8 A) s0 O( P%    tr--Training record (epoch and perf).
: _+ g- T* z& @  D9 }%     Y--Network outputs.
%     E--Network errors.
[net,tr,Y,E]=train(net,p,t);
- @; Z+ p3 {1 d5 n5 q0 `%%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%
+ K: f/ R. u$ T; d! H% input the testing points here %
title('神经网络训练结果');
xlabel('时间（天）');
ylabel('仿真输出结果');
& b* r. H$ l2 F' z2 |! u+ ylegend('仿真模拟值','实际值','神经网络预测值');
%%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
4 ]! I) L1 }% I5 F  a. X3 rx=1:5;
3 T0 g6 Q" D& X! A; ^& z9 W0 xy=1:5;
y21=sim(net,p);
y2=reshape(y21,1,15);
clf
# h: ?8 i5 L9 V' E3 E/ X; j! oplot(r,y2,'b-^')
hold on
plot(1:20,day,'r-*')
; f6 m: I7 x1 N- U' w3 b% ]8 S%%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%
! p+ b& d+ A! ^5 `  Q( @" _* ~y3=sim(net,h3);
plot(21:25,y3,'-*')
6 L' z, m' v3 S" n4 N  Ahold on
title('神经网络训练结果');
xlabel('时间（天）');
; G9 B" r/ C$ Tylabel('仿真输出结果');
! {0 A2 S, }( e: _+ h6 W; ], Glegend('仿真模拟值','实际值','神经网络预测值');
# o# v+ c3 I6 W%%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
x=1:5;
y=1:5;
( F) p6 t6 G- r0 v1 xplot3(x,y,E(x,y))
7 k) P' {: b7 U" D- v
+ G! w- j3 R+ ]8 t/ g

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
   7 L! m  S8 k* h) K3 h
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' |' B6 \3 X8 Q7 U, ~+ c4 o
3. dayhistory=day(1:20);%取其中三十天作为历史数据样本, ~. L0 R; g0 b9 {/ I3 B  {' I
   
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 y4 t5 j9 s5 \8 C
5. dayday=day(1:15);% 取其中的前25天4 `% Y* z\" A: \' Z
   
6. daypost=day(6:20);%取其中的随后25天8 j. V7 h3 J- G- j- E0 X
   
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: u7 ?- O\" F! L9 v& F6 s! V
   
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
     m2 m. x  s0 X\" l. ?* ?3 y! V% f
9. daylast=day(16:20);
   - v2 }, U( Y& t+ M# N5 l9 m
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
    % y\" Y\" I( L1 g4 Q$ {8 h
11. r=6:20;3 S, x) S8 n# |! f
    
12. rr=reshape(r,5,3);& B/ n2 w& T/ }: {( c
    
13. %%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%
    % _& o8 t/ e+ Z' Y. z2 f* t  v
14. net=newff(minmax(p),[5,3],{'purelin' 'purelin'},'trainlm');
    7 V1 j6 X) ?( k& n5 K  i* r% T
15. y1=sim(net,p);: W. X8 l5 s( {
    
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7 m\" y6 n9 [9 Q& u' m4 ^1 K\" q5 l) ?
    
17. % 两层的传递函数均为purelin8 b2 z5 u, h. |, N3 @, G& |
    
18. % 训练函数为trainlm
    . g4 c9 Z1 k\" n# H
19. % 所训练的网络大小为[5,5]
    0 H2 w1 E0 R: k! R
20. % 仿真训练前的网络6 [- ]5 l\" p. j
    
21. \" b* A2 w4 R\" h. a8 W' {
    
22. %%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%
    5 A8 X7 L4 f# l+ y
23. % network parameters:& w+ }+ Q/ `\" I3 Y* \( w
    
24. %   epochs--epochs of the train* H/ ]! I2 r: b$ y* X4 R5 N
    
25. %   goal--errors goal of the network6 b1 o* N: P. A
    
26. %   lr--learning rate( ^4 v4 ]9 j6 K& W
    
27. %   shows--epochs between the displays/ T# `9 G. q1 u. N' [5 P% n
    
28. %   time--Maximum time to train in seconds
    % \* m; I: Y5 Z/ ]6 X
29. net.trainParam.epochs=200000;  % 训练次数\" \; T\" `! X! `1 V
    
30. nettrainParam.goal=0.0001;  % 误差期望值
    7 l/ D9 H6 S. c; E( z+ J6 |
31. % returns of the train:8 _& v& M8 d2 ~+ s
    
32. %   net--New network% l8 p5 L; P1 h$ D\" p( O' n* o
    
33. %    tr--Training record (epoch and perf).
    + H+ L0 {% u6 E* {. R' J  X, s
34. %     Y--Network outputs.
    # W' S% A6 O( u% Z
35. %     E--Network errors.
    % ]0 Y* b1 P( q' @. p5 {; [
36. [net,tr,Y,E]=train(net,p,t); - J# D9 q8 p5 D5 Y) \6 e
    
37. %%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%
    1 F: q. h2 c) Y, s; B5 p+ z+ l
38. % input the testing points here %
    1 T$ z7 l; C( k+ O
39. title('神经网络训练结果');
    ) k' Q- T4 ?8 d$ l4 O\" f
40. xlabel('时间（天）');  J5 n) G! j5 Q2 q% @: y- w
    
41. ylabel('仿真输出结果');/ E; W& V/ C1 z/ ~! `
    
42. legend('仿真模拟值','实际值','神经网络预测值');: p/ F' s( b5 S: k6 ~\" s! }
    
43. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%' W4 h$ O! Y/ W  ]; v
    
44. x=1:5;5 J: A\" p/ X/ `% Z! T8 g
    
45. y=1:5;
    % m  e5 F% R1 |5 z- y, }( q
46. y21=sim(net,p);
    0 H8 j/ v! H' {! P: j# g
47. y2=reshape(y21,1,15);
    $ u\" J8 E0 D/ @2 N
48. clf
    / U. ~# A4 o' q. q
49. plot(r,y2,'b-^')# p  d8 P3 h2 I5 M% b
    
50. hold on
    : C) Z& C$ M* M+ n: U
51. plot(1:20,day,'r-*')6 A0 d. ]; O8 C, T\" {& K. @
    
52. %%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%
    0 R+ Z* y& |\" q: t( r
53. y3=sim(net,h3);, ~( o* p' t* s$ n  @$ X/ r
    
54. plot(21:21,y3,'-*')
    ! L% k' y3 o7 N$ X2 y
55. hold on
    1 M& T2 {2 R5 V
56. title('神经网络训练结果');4 t4 W3 a5 z: u
    
57. xlabel('时间（天）');, U! I; H4 X8 J2 E! J
    
58. ylabel('仿真输出结果');( a. A; e5 w! ^4 ~5 Z# q
    
59. legend('仿真模拟值','实际值','神经网络预测值');
    0 Q( r: D2 \* s: u
60. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%5 [) T, H: U$ C
    
61. x=1:5;
    % e* `! v5 P3 r& k! X. \8 K
62. y=1:5;5 j+ ~/ z; w  w) y3 i
    
63. plot3(x(1:3),y(1:3),E(x(1:3),y(1:3)))

复制代码