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];
& X& G1 l% u: C3 g+ h( ^: bdayhistory=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
5 g& b0 a" F8 C$ V! J& ^dayday=day(1:15);% 取其中的前25天
+ A( z0 a* I, t  O! S/ D6 T0 h+ gdaypost=day(6:20);%取其中的随后25天
9 [  ^5 b4 i* `: n, a: Up=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
daylast=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
; A$ P) S0 z; Tr=6:20;
+ H0 M% I7 @2 r: o- l3 h; b* R. T7 f- brr=reshape(r,5,3);
# n4 T6 I4 r; B" G) m%%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%
1 t' r2 _. Z* J$ _; Cnet=newff(minmax(p),[5,3],{'purelin' 'purelin'},'trainlm');
y1=sim(net,p);
3 Q1 v' M, Q( \" K% 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
/ }$ {$ G* `# ]# S6 B- E" N1 u% 训练函数为trainlm
  M$ F; X; ^5 w  I% 所训练的网络大小为[5,5]
% 仿真训练前的网络

%%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%
% network parameters:
%   epochs--epochs of the train
1 `' {/ b' O- O3 p8 z) h5 t: _; i2 V%   goal--errors goal of the network
%   lr--learning rate
) b2 ]' g% t! w8 y: ?  g%   shows--epochs between the displays
% B( }  ]7 q. N& _! i* Y4 l%   time--Maximum time to train in seconds
net.trainParam.epochs=200000;  % 训练次数
' q" R5 |  J& B+ a9 d% l( ~nettrainParam.goal=0.0001;  % 误差期望值
% returns of the train:
%   net--New network
%    tr--Training record (epoch and perf).
! |( R+ P1 e! ]! F%     Y--Network outputs.
%     E--Network errors.
* V/ r$ f3 i$ T' Q+ O% T[net,tr,Y,E]=train(net,p,t);
7 d$ m& m; u2 Z! i6 N/ r9 }%%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%
, U8 `" r, k" Q* h% input the testing points here %
title('神经网络训练结果');
1 h( q! G' U$ U' C& ^5 hxlabel('时间（天）');
2 m& ~. ^; w0 C' G6 gylabel('仿真输出结果');
legend('仿真模拟值','实际值','神经网络预测值');
" B/ l: X$ j% V% J7 e2 R%%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
x=1:5;
$ z4 s5 Q  t8 M* N: a6 S  A% \. s0 xy=1:5;
$ H0 H  p# R9 C- B# V$ R. Hy21=sim(net,p);
y2=reshape(y21,1,15);
0 Z- ~' b- P( sclf
plot(r,y2,'b-^')
# d( t, f4 {/ Lhold on
plot(1:20,day,'r-*')
%%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%
/ x$ K" E2 n( l8 p% Ky3=sim(net,h3);
plot(21:25,y3,'-*')
2 S! ~2 _) {8 n  {$ a! Z- B  ~9 D/ a' ~: whold on
% i- b1 a( G+ y$ O  xtitle('神经网络训练结果');
xlabel('时间（天）');
, s0 Z# p4 |& ^! A8 H  t- ^ylabel('仿真输出结果');
) V2 ]/ x, j/ O$ Blegend('仿真模拟值','实际值','神经网络预测值');
%%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
& x7 l" @+ l( w" Mx=1:5;
y=1:5;
; i! \9 n" y! z1 B$ Yplot3(x,y,E(x,y))
0 g: t) Y1 D$ u0 d5 ]$ ]* C
! f' O& o% T6 m' I- _, L2 G9 Z

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
   % N. i# J) c1 X: G
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];
   7 b( |5 n$ d/ F( ]8 C  v* g! A
3. dayhistory=day(1:20);%取其中三十天作为历史数据样本
   , R' I) e3 N! ^* 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
   ) A, }7 H. |: F( C8 k4 l
5. dayday=day(1:15);% 取其中的前25天; b8 N4 k- p8 ~. ^- j
   
6. daypost=day(6:20);%取其中的随后25天- R+ B% Y4 m. O3 W& W. G
   
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 m2 o. W/ c  n/ O
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
   3 k& _1 N; Z\" h8 d$ A
9. daylast=day(16:20);; V5 a$ F+ R  |9 d3 o
   
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. x\" B& P, m2 J* y
    
11. r=6:20;
    $ T8 V  |( |8 J. c/ o4 ?1 @, z  I) L
12. rr=reshape(r,5,3);
    1 N, y/ P: I5 K( h7 \. A1 w
13. %%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%
    : v) q+ W% r$ f$ s\" K& V\" p) n
14. net=newff(minmax(p),[5,3],{'purelin' 'purelin'},'trainlm');
    ) Y7 A3 {0 G4 r
15. y1=sim(net,p);' V9 V$ G  n1 Q! {& X* u8 v
    
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5 L  \- F( S/ N9 M  N
    
17. % 两层的传递函数均为purelin
    0 [4 b+ f& y+ O\" m. a$ Y
18. % 训练函数为trainlm5 r  G4 r8 O* P3 E$ c7 A: P1 k
    
19. % 所训练的网络大小为[5,5]/ b8 \4 H4 d7 }2 r( U6 d
    
20. % 仿真训练前的网络
    & ]9 ?7 l) ?- s4 {8 i
21. 6 u/ w0 u8 \; U' }9 J9 @5 z
    
22. %%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%
    ( x6 \& d0 p7 B8 q1 B- d2 P
23. % network parameters:
    3 S, ]& W# F: l5 v: S, i: h
24. %   epochs--epochs of the train' a\" r! N) @5 c8 v
    
25. %   goal--errors goal of the network. R: f# s4 Z4 T2 n6 T
    
26. %   lr--learning rate1 W8 l6 f* y$ J1 _4 F( x
    
27. %   shows--epochs between the displays
    & ]! X% {4 x0 c  Z# G
28. %   time--Maximum time to train in seconds, ]  o: p' i/ d6 Q! b
    
29. net.trainParam.epochs=200000;  % 训练次数
    / h/ p, s+ M9 z
30. nettrainParam.goal=0.0001;  % 误差期望值
    + E+ _. u! ]1 W3 k2 D% ?& P- R
31. % returns of the train:
    \" T7 z& k4 E. F9 y# k7 \* v
32. %   net--New network2 d3 b9 R5 i/ k0 b
    
33. %    tr--Training record (epoch and perf).9 B9 V8 s- c( t6 Z2 e- v
    
34. %     Y--Network outputs.
    6 ^9 M1 E! C- r% Z
35. %     E--Network errors.+ ]; N0 F0 @. k! y
    
36. [net,tr,Y,E]=train(net,p,t);
      |. H( [( L0 u+ V
37. %%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%
    5 A1 z8 Z: s' V
38. % input the testing points here %
    3 _; F. j7 ^2 L( M
39. title('神经网络训练结果');% q! ?0 K& q( X% E
    
40. xlabel('时间（天）');
    / b2 _: o. s7 C, g/ e& u8 R
41. ylabel('仿真输出结果');
    % @. j\" L; c9 y* z6 I
42. legend('仿真模拟值','实际值','神经网络预测值');
    ( B+ j8 ]$ y8 I
43. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%8 _8 ^* Y, j$ s1 c0 t  _- y: f7 y. C
    
44. x=1:5;
    $ w4 j6 A/ K/ i% |0 E
45. y=1:5;* E. T7 q8 }3 |! ?
    
46. y21=sim(net,p);
    0 l% U5 E; F' c5 O
47. y2=reshape(y21,1,15);! u& Q& k: |0 M+ Z) C6 _
    
48. clf
    3 ^8 {+ e; A9 `8 ~
49. plot(r,y2,'b-^')
    \" Q; N* o) p, U1 J
50. hold on6 U8 V, R9 T) }7 J( S2 t+ O' N
    
51. plot(1:20,day,'r-*')
    # K& y' J' p0 Y& u; D
52. %%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%
    4 m. V5 n4 f, k' ?6 B# F) D
53. y3=sim(net,h3);9 |5 Y; M3 S\" M/ M
    
54. plot(21:21,y3,'-*')
    ' D9 P4 b7 K! u  }; s
55. hold on
    6 K# J8 L2 m+ D\" y2 P
56. title('神经网络训练结果');% K* D( E7 Q% F9 z% H% ]
    
57. xlabel('时间（天）');
    7 y7 e$ v1 g) O4 H
58. ylabel('仿真输出结果');* n' G( _\" N* @  |8 n9 {/ x3 ^: n
    
59. legend('仿真模拟值','实际值','神经网络预测值');, ?2 O8 e) l/ M1 ~$ a9 F
    
60. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
    9 a  ~5 R8 {. ^$ ]# i, r6 H
61. x=1:5;% _; A\" ?- E2 _+ s# R
    
62. y=1:5;
    1 u9 r# ]. n7 D& I* X9 d
63. plot3(x(1:3),y(1:3),E(x(1:3),y(1:3)))

复制代码