请问这个代码错在哪里，如何进行修改，谢谢

昌辉9

clear
6 K, e, g1 d( a8 ^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];
# e* D" x  C2 c7 D. r0 Ydayhistory=day(1:20);%取其中三十天作为历史数据样本
+ p5 \. j- H- G: c2 O3 G' Q0 Adayhismod=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
, K$ N$ g" X0 Q( Adayday=day(1:15);% 取其中的前25天
daypost=day(6:20);%取其中的随后25天
1 D9 h% P' P3 y: y. V# ]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
/ [( d5 i3 q2 O" q, g6 V/ vt=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);
. B& B/ X" {  K! K6 uh3=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;
! U0 a' @1 d$ arr=reshape(r,5,3);
%%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%
: [7 [% ^8 U2 O% f. Pnet=newff(minmax(p),[5,3],{'purelin' 'purelin'},'trainlm');
2 c5 F% E2 D! U) S: iy1=sim(net,p);
" H0 p$ h+ i6 A, |' D% 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]
( s' T1 t0 s! y+ b' ?/ m6 O% U6 R% 仿真训练前的网络
. a( a( }: n. ^- Y& n+ |
! O6 e+ E  _, `%%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%
+ U* l1 @7 w+ k0 t& h5 M9 g- `! e/ M% network parameters:
! Q. O; A' ~/ P/ T( t. t8 H$ H%   epochs--epochs of the train
) K# P$ R8 N& Y$ Q* |8 f%   goal--errors goal of the network
9 U9 ]% Q: |1 `9 N8 a%   lr--learning rate
- T5 m; m( n7 n%   shows--epochs between the displays
%   time--Maximum time to train in seconds
net.trainParam.epochs=200000;  % 训练次数
nettrainParam.goal=0.0001;  % 误差期望值
% returns of the train:
%   net--New network
%    tr--Training record (epoch and perf).
%     Y--Network outputs.
%     E--Network errors.
[net,tr,Y,E]=train(net,p,t);
%%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%
% 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');
legend('仿真模拟值','实际值','神经网络预测值');
%%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
x=1:5;
+ K$ R' ~& N( C1 f$ _  Py=1:5;
y21=sim(net,p);
1 E+ J8 T' [& Z- by2=reshape(y21,1,15);
' z. k* w* l% H8 Q5 ^clf
plot(r,y2,'b-^')
: c% t5 m0 X% s! @% Z4 i8 \5 @. |- _( Nhold on
, {  J2 \: @4 S2 O0 X( H/ X: ?: rplot(1:20,day,'r-*')
%%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%
y3=sim(net,h3);
: O2 W7 N; s3 ^- u( Dplot(21:25,y3,'-*')
! {$ H5 o! S* v. s7 ]hold on
- o) W5 V2 A" N, ftitle('神经网络训练结果');
- c7 w4 I: i5 x, S% z0 s4 Zxlabel('时间（天）');
ylabel('仿真输出结果');
" l" R, \1 O( H8 d: vlegend('仿真模拟值','实际值','神经网络预测值');
3 |2 o; a3 _) ?) S4 h9 G%%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
x=1:5;
0 f  o, S: z0 m9 o6 hy=1:5;
8 C; c' c; ^1 q; j* e) A* q( J+ p# |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( L; R/ y. @: L$ R
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];
   2 |( z5 v6 T\" I1 K( ?! [% v
3. dayhistory=day(1:20);%取其中三十天作为历史数据样本
   ! X8 X* d$ |+ z/ y0 {- L' z) V/ M- Y/ a* r
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/ M7 ^# q+ r7 D+ g  g* ]
   
5. dayday=day(1:15);% 取其中的前25天  O8 H\" l# t+ S5 ?- Y\" @
   
6. daypost=day(6:20);%取其中的随后25天
   ! W; W( j/ v3 D; F1 B, s5 ~. C
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
   3 G9 ^) ~. N- C* f) w  D3 Y
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
   - [\" ]+ ~. [8 l1 z
9. daylast=day(16:20);6 L/ Z# j4 Z$ 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
    * J9 m0 C2 j. j# o# M
11. r=6:20;+ D9 N4 M( ~3 R) m) f5 A  T- y
    
12. rr=reshape(r,5,3);4 F; N- s) p$ F% X& c* O  T+ ?& B
    
13. %%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%/ h% G7 f2 G) t( D
    
14. net=newff(minmax(p),[5,3],{'purelin' 'purelin'},'trainlm');
    $ G& a  {; F# Y: F1 C1 C9 V
15. y1=sim(net,p);2 G. Y. M, ?  l+ J: B4 \& X
    
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) G9 S) f\" s+ m, ^\" `
    
17. % 两层的传递函数均为purelin
    / C' U! ?9 K6 s/ X. F
18. % 训练函数为trainlm
    2 ]& E# c  X\" f& C: R\" W
19. % 所训练的网络大小为[5,5]
    1 f4 v' \6 S5 O9 a5 m& `; U. n
20. % 仿真训练前的网络
    & S% ]* T7 I8 ]5 }
21. 
    ; [% Y% I+ e. u- K2 J& `
22. %%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%2 t. W: d$ h. s* Q$ e
    
23. % network parameters:' o& P- `7 U7 G1 @( q
    
24. %   epochs--epochs of the train
    9 W. D% C) w\" X\" @) y+ X
25. %   goal--errors goal of the network
    % f5 T$ y: O: H- y7 h3 o- B
26. %   lr--learning rate7 {: O4 M6 d5 T  Y- r
    
27. %   shows--epochs between the displays
    ( D4 T6 Q( L# `8 @\" B
28. %   time--Maximum time to train in seconds( f+ H# G$ X0 N. n; z3 J: Z
    
29. net.trainParam.epochs=200000;  % 训练次数
    # A* W$ b* @& k! ]8 Y8 v
30. nettrainParam.goal=0.0001;  % 误差期望值
    . b5 n8 T% x\" Y! a7 A# s! i
31. % returns of the train:
    ! n9 F0 m! v+ D% S9 O8 {* _' F. d\" x
32. %   net--New network
    2 b\" m, N/ v! y+ J. D0 h
33. %    tr--Training record (epoch and perf).+ f, X) N$ J( b( j6 {, X) X
    
34. %     Y--Network outputs.
    , M( k2 ^7 ?  D
35. %     E--Network errors.- i! _& v! Y7 ]- a3 M9 B/ H& H' t
    
36. [net,tr,Y,E]=train(net,p,t);
    3 I6 G/ C. W8 X; m1 ]- n6 M
37. %%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%4 r! [& m5 b8 {* G
    
38. % input the testing points here %
    ; K9 z1 K( W# v' g9 i4 M- b  z: p! l
39. title('神经网络训练结果');
    + \! g- h0 ~# E' [; l- E
40. xlabel('时间（天）');
    : t8 P. b/ f; [3 n
41. ylabel('仿真输出结果');
    % u! e) d$ Z3 r) b- p
42. legend('仿真模拟值','实际值','神经网络预测值');% C& ^. z' v- p% z# L; O; e
    
43. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
    1 P$ ^) R+ Q\" M, T
44. x=1:5;
    / W: _$ |& n4 L3 a9 K) i
45. y=1:5;
    8 O  K+ \& B! U4 i
46. y21=sim(net,p);. e4 D# B$ t/ K\" D
    
47. y2=reshape(y21,1,15);8 m, P\" M* [% I
    
48. clf& E4 f& ]0 v- S; O0 ]' p9 L. q
    
49. plot(r,y2,'b-^')
    ' S; \* v! R/ l9 d: G
50. hold on
    7 _4 o2 }9 H$ f0 }. ~
51. plot(1:20,day,'r-*')' e) C& [! m' ^- V3 y' i, z2 w
    
52. %%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%
    . x/ W# k8 k1 ~# ]
53. y3=sim(net,h3);
    ' r' O5 K  B. P4 R; f& Q
54. plot(21:21,y3,'-*')- @* B. o1 \' p! J7 J
    
55. hold on, F5 E: C\" v. {  f2 A% Y1 x
    
56. title('神经网络训练结果');
    $ k' W9 A; O1 e) P
57. xlabel('时间（天）');# h! p% t. T8 A6 g4 p, s5 c
    
58. ylabel('仿真输出结果');# d\" V% E& X2 p+ y+ P. B
    
59. legend('仿真模拟值','实际值','神经网络预测值');& G7 V+ O6 i5 Y: W: p* n
    
60. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
    , u# A7 Z5 Q5 e$ C' b; D; u
61. x=1:5;
    # K; s& d6 I/ k. E
62. y=1:5;
    ( l$ y$ A8 x3 {4 n/ J1 c
63. plot3(x(1:3),y(1:3),E(x(1:3),y(1:3)))

复制代码