请问这个代码错在哪里，如何进行修改，谢谢

昌辉9

clear
5 C/ d+ w) G, Y8 l: gday=[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 {* i7 Y6 e" E3 }3 Ndayhistory=day(1:20);%取其中三十天作为历史数据样本
2 b# j8 m5 k) i( fdayhismod=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
dayday=day(1:15);% 取其中的前25天
# }: |  ~0 k8 E% Z. ^daypost=day(6:20);%取其中的随后25天
; Y2 L; T4 D) Lp=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
) ?* P& D0 E( D/ c$ k4 Rt=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
9 }" }6 |( v, r. ^r=6:20;
7 A! h7 H/ L5 d% {' P# [, S0 g& D4 Wrr=reshape(r,5,3);
1 A/ x6 r! Z8 a$ D1 k%%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%
net=newff(minmax(p),[5,3],{'purelin' 'purelin'},'trainlm');
& [; {; U, M1 T2 r. T/ ^0 wy1=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
6 e+ {& f, O) g5 |% 训练函数为trainlm
% I' z& Q& A. A' F' U( J' ?% 所训练的网络大小为[5,5]
0 K) n. A( p6 u+ L- ~. Q' t& b% 仿真训练前的网络
# q' p! X2 Q- r% t
" b! S) |* F; M6 }) w! g3 F%%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%
% network parameters:
%   epochs--epochs of the train
. F8 `8 u/ `0 [9 n8 Y%   goal--errors goal of the network
%   lr--learning rate
: C+ o* x5 |: t* L" }( i+ J%   shows--epochs between the displays
%   time--Maximum time to train in seconds
3 r2 I8 b) L' \5 @* Vnet.trainParam.epochs=200000;  % 训练次数
nettrainParam.goal=0.0001;  % 误差期望值
% returns of the train:
  H' d8 ~! s3 U  J( Y$ E1 m%   net--New network
%    tr--Training record (epoch and perf).
  u& r. m/ ^- y$ f. [9 G%     Y--Network outputs.
%     E--Network errors.
1 m" }! ~" i8 T* q1 y3 }+ N# P[net,tr,Y,E]=train(net,p,t);
0 r% ?$ s. [% e7 j5 z( \) W%%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%
; m, w0 [. d& u4 t0 \) ?# s1 F% 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');
6 k2 ^+ t' m" v9 p' e/ Q# O) M2 vlegend('仿真模拟值','实际值','神经网络预测值');
%%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
8 i) p% {: |6 R3 Ax=1:5;
y=1:5;
y21=sim(net,p);
' S$ f4 a' H0 R; [8 l: xy2=reshape(y21,1,15);
8 i3 I! R5 }. J  U7 n! lclf
plot(r,y2,'b-^')
6 K' j# ?0 h- c( m/ ]  Y& R, {hold on
9 r) l8 m" B1 F2 p) eplot(1:20,day,'r-*')
%%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%
2 i6 `" Q/ z4 p+ Y2 Fy3=sim(net,h3);
, L5 ~6 ^9 T/ y6 c/ u2 S, splot(21:25,y3,'-*')
; L: ~, O" o2 r5 H7 y' ghold on
' j/ H' v# I, o6 Q% ]5 G1 Ztitle('神经网络训练结果');
7 G, m+ Z( f$ i1 xxlabel('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 %%%%%%%%%%%%%
/ _$ y+ e1 D$ y: r8 R. Q1 G3 V4 fx=1:5;
y=1:5;
plot3(x,y,E(x,y))

' w: }1 @( B, I/ }0 M* b

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) @$ ~% h9 I. W- E
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/ i3 f! F. T1 z+ q' I\" S+ ?
   
3. dayhistory=day(1:20);%取其中三十天作为历史数据样本
   $ b1 _- ?- L3 |2 J5 o
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4 T6 c& b0 z0 |$ I
   
5. dayday=day(1:15);% 取其中的前25天
   8 H) Y\" I$ p- }# A\" @0 [/ S
6. daypost=day(6:20);%取其中的随后25天
   3 l6 d' d* q8 F- E
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
   5 X9 r9 Z* O& a; W! ?  x
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9 j3 j  j: {\" f1 y' H: ~) |
   
9. daylast=day(16:20);
   0 p7 a1 t) |\" H  @1 L4 i1 I
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7 B, }* Q! S7 p9 |  f/ b1 [4 s
    
11. r=6:20;
    3 M. Q# V\" N! t
12. rr=reshape(r,5,3);
    $ J; b, T  ^) S* T' J' \9 T! J
13. %%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%
    % I; B- x& E% U+ ^
14. net=newff(minmax(p),[5,3],{'purelin' 'purelin'},'trainlm');: p2 D9 S. n8 z- w  R5 |% i  \
    
15. y1=sim(net,p);
    9 x/ p7 O% _* Y. N' p; }
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 B1 m  [+ p3 p4 F7 t( Z; R
17. % 两层的传递函数均为purelin7 H& R/ N$ Z& ^# }$ W: P3 S2 o* U- ?
    
18. % 训练函数为trainlm- p: t# |6 `' K2 F\" g& p, ?
    
19. % 所训练的网络大小为[5,5]
    7 o0 c7 F7 z6 i9 }, o\" n
20. % 仿真训练前的网络
    6 H; y% y8 r: t( D& V% p* ~$ \
21. 
    \" ^: E( i( Y9 m
22. %%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%* X8 O2 C: I# X4 X, g
    
23. % network parameters:' ^  f% W6 g! W* ?# E% q: d
    
24. %   epochs--epochs of the train; z4 z+ P' p4 l; v' F3 Z/ f* D
    
25. %   goal--errors goal of the network! P2 `7 V0 e8 ^0 G+ d, ^
    
26. %   lr--learning rate
    \" a, v9 s  D5 P( Q& P6 K( y' b
27. %   shows--epochs between the displays  Q: i& R* V1 K% E2 h
    
28. %   time--Maximum time to train in seconds- D, Z4 B4 x' J- Q# |' B4 R; q
    
29. net.trainParam.epochs=200000;  % 训练次数/ j' ]; B* h0 A( r! }) {1 v
    
30. nettrainParam.goal=0.0001;  % 误差期望值
    - d% V9 l) ], K1 F, z
31. % returns of the train:, a# L7 W) _# q1 F( M+ O. c4 E+ }
    
32. %   net--New network. ?9 M, l7 H2 {+ A/ S  u1 b
    
33. %    tr--Training record (epoch and perf).4 F2 x& W! J* |3 u0 @) y
    
34. %     Y--Network outputs.
    : E# \% E; g3 z5 D2 W$ I
35. %     E--Network errors.2 O; A: p6 a6 Q8 r\" |, h7 S\" M% u; q; c
    
36. [net,tr,Y,E]=train(net,p,t); / r\" n3 s- W& _: J4 K
    
37. %%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%
    * W9 c7 S6 `5 B4 j2 d$ U2 [
38. % input the testing points here %
    ( a3 }7 e. V4 }0 A' F2 ]
39. title('神经网络训练结果');
    / [* q6 w1 E: P\" U( s+ a) J
40. xlabel('时间（天）');
    1 z6 s6 N$ N* B\" f( s8 r
41. ylabel('仿真输出结果');
    . p# e* h1 M9 x$ l
42. legend('仿真模拟值','实际值','神经网络预测值');
    2 g$ w\" _% @* `/ W, W( v
43. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%. f0 t) }1 \) }: ?2 B
    
44. x=1:5;7 F- X\" n0 y) K; c
    
45. y=1:5;
    1 F% o' r1 t& N* K: j( X- x' U5 w
46. y21=sim(net,p);- J. Y' }' Q  _! o! [; m; Y2 \
    
47. y2=reshape(y21,1,15);
    % `% w1 W6 F4 o) \9 s
48. clf
    ( m  }. U! m, n9 m+ m
49. plot(r,y2,'b-^')% X3 o3 T# o& d9 W
    
50. hold on
    ! H6 J3 q! o2 X, c8 g
51. plot(1:20,day,'r-*')
      l+ J- R! e* }4 z
52. %%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%
    5 Q2 z( a2 @6 B
53. y3=sim(net,h3);0 ~. u+ X2 l. D$ N# q\" C0 @
    
54. plot(21:21,y3,'-*')% }( T9 v8 g5 S+ }4 Q  }. K
    
55. hold on
    * L$ S0 c$ n) r0 L0 R1 M
56. title('神经网络训练结果');/ A/ ^% F4 \  g5 n\" J
    
57. xlabel('时间（天）');
    6 ~$ |) w  B\" |' s
58. ylabel('仿真输出结果');
    ) i8 l& L$ n! h/ [
59. legend('仿真模拟值','实际值','神经网络预测值');
    ' |8 h/ i8 g* v* i
60. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%# q4 a7 g! `7 M/ o) M. _
    
61. x=1:5;
    ; f\" Y4 y2 b% V4 h- r; |) P
62. y=1:5;+ m# d  e\" V2 U! |0 B* }
    
63. plot3(x(1:3),y(1:3),E(x(1:3),y(1:3)))

复制代码