请问这个代码错在哪里，如何进行修改，谢谢

昌辉9

clear
. j- K( y$ `' w% J3 P9 u! ^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];
, v) Y. g+ y# Ydayhistory=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
dayday=day(1:15);% 取其中的前25天
! H; a7 e3 r% }1 f" K8 U) z# zdaypost=day(6:20);%取其中的随后25天
* A3 L) G+ ^! |, y. r, v$ l0 m6 Kp=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 n* n. q. y6 u! e" ]) Jt=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
+ i) |0 V9 o5 g4 k" V! Xdaylast=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
, @. T, o- R0 j5 \0 m) N" ^% br=6:20;
rr=reshape(r,5,3);
/ j4 s" t# [/ {: n%%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%
& i4 {* ~3 @2 h- ynet=newff(minmax(p),[5,3],{'purelin' 'purelin'},'trainlm');
! v9 |8 e+ F4 ^& O$ Q$ xy1=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
% 训练函数为trainlm
% 所训练的网络大小为[5,5]
- U0 o7 A" c. f% 仿真训练前的网络

$ h2 Q* ]2 n( o4 V# I4 z' t%%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%
: J% B* m3 k& _& `% network parameters:
%   epochs--epochs of the train
%   goal--errors goal of the network
9 _/ M& V, q: U# A$ {: w%   lr--learning rate
%   shows--epochs between the displays
$ A" O1 S% O: T# ^/ ]9 K%   time--Maximum time to train in seconds
# L. Y, y; f, t  i( ^3 @- D& A: o, ?net.trainParam.epochs=200000;  % 训练次数
  A, M" ^8 a; O( R+ M% ]: Z% S5 S9 [nettrainParam.goal=0.0001;  % 误差期望值
1 `! E/ c& N0 J5 F/ A6 q% returns of the train:
1 Y" F$ V! K% {%   net--New network
6 {. V7 p" i+ }9 m%    tr--Training record (epoch and perf).
%     Y--Network outputs.
: ^0 K/ q$ G7 r3 h9 W, g6 e+ E%     E--Network errors.
* [$ f' @- E% Y[net,tr,Y,E]=train(net,p,t);
9 f# ~, r* t' g, u* I%%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%
$ S, {2 e! B8 Y8 O9 r% input the testing points here %
! v' [: v4 q; K4 x2 O" @title('神经网络训练结果');
  M8 k# l8 f5 n8 V. D+ M) m- lxlabel('时间（天）');
5 o! X; y4 r. J- Yylabel('仿真输出结果');
* Z; L2 C4 q# y/ mlegend('仿真模拟值','实际值','神经网络预测值');
%%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
. A: T7 B) J; V: v6 }x=1:5;
1 m2 D# @: A! \6 Sy=1:5;
y21=sim(net,p);
y2=reshape(y21,1,15);
% I6 g' {- b( _5 u( Eclf
. p; A( a: k8 Dplot(r,y2,'b-^')
, r9 o  w& U# k5 Qhold on
! p: q+ v; {5 V" v0 S1 Uplot(1:20,day,'r-*')
%%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%
5 F) ^, G+ P/ Y/ Ny3=sim(net,h3);
) ~0 P7 \7 Z8 n; j0 @% _( n3 A" vplot(21:25,y3,'-*')
( A2 w" `; ^6 c/ K$ h$ l% @hold on
6 ~$ S) u5 F5 M6 }9 [  Etitle('神经网络训练结果');
; v- Q! l6 p0 B8 P3 @* G  Nxlabel('时间（天）');
ylabel('仿真输出结果');
5 p! ^# ~4 @3 q! B: N2 slegend('仿真模拟值','实际值','神经网络预测值');
8 Q4 h- |5 A6 C' I%%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
x=1:5;
y=1:5;
plot3(x,y,E(x,y))
8 r  P0 a2 s' D7 Q2 }3 h! ^7 o

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. clear4 ^% ?) F) i! d8 k6 }) H0 b0 |
   
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];& a0 q* ~' q% o/ N  I1 X7 `: d/ [, P
   
3. dayhistory=day(1:20);%取其中三十天作为历史数据样本
   , [# T\" {1 X* ]1 Z5 M( j
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
   $ ~3 h! N. K- T
5. dayday=day(1:15);% 取其中的前25天3 }. M$ e! t' R& c
   
6. daypost=day(6:20);%取其中的随后25天' G  `1 \$ D( j* k( Q4 O) U7 t
   
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  |* J( N) \1 [\" W- B# z
   
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2 @# ?- f  N  @& x( _2 W6 q1 A
   
9. daylast=day(16:20);
   5 _+ y( H5 _$ r1 @6 q
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  ^! ~3 `, R* ~2 a! t  Q+ V
11. r=6:20;
    ! U8 G/ f$ f: V\" w. G0 u1 x
12. rr=reshape(r,5,3);
    8 R5 B: ^# y+ q7 c; L
13. %%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%
    5 T& a, s/ a. D( f' I% z$ H  H
14. net=newff(minmax(p),[5,3],{'purelin' 'purelin'},'trainlm');
    & N# n8 d: c\" z
15. y1=sim(net,p);1 j! @6 m0 y+ ~* M) c$ E4 ?5 O
    
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+ v) |' s! @0 f  ?
    
17. % 两层的传递函数均为purelin% O% Z$ y\" p2 h- z* i, [
    
18. % 训练函数为trainlm
    . G$ [  X% G; p, i6 b2 H
19. % 所训练的网络大小为[5,5]\" w: m& ?/ I- r# ~5 _
    
20. % 仿真训练前的网络
    6 i3 N! G' K2 N, w+ V/ a
21. & v- n3 h, U& l\" D7 X4 S8 b+ R\" k
    
22. %%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%
    3 Q- j- x8 ?% d* A$ x
23. % network parameters:8 e/ d7 d4 i& A& g. V
    
24. %   epochs--epochs of the train
    0 W8 ~: _; x, U* s- i
25. %   goal--errors goal of the network7 X$ W- Z: `, o2 d# \
    
26. %   lr--learning rate' j! g  w# a$ c
    
27. %   shows--epochs between the displays
    ( |0 Y1 V# M' G. ?8 I, F
28. %   time--Maximum time to train in seconds. |4 g4 Q( Z* h  l5 p! A; O* U
    
29. net.trainParam.epochs=200000;  % 训练次数1 @3 h) o\" }2 O0 q7 w
    
30. nettrainParam.goal=0.0001;  % 误差期望值7 |9 G+ q# ]1 M' V5 C% Q6 r6 F8 C* d
    
31. % returns of the train:
    7 h! S# n. w; E% X$ ]
32. %   net--New network
    1 C# h/ v4 |2 Q
33. %    tr--Training record (epoch and perf).
    6 F\" R) _2 @2 S2 j  S- u0 u8 V
34. %     Y--Network outputs.
    6 s; @2 U% k1 X\" i8 g
35. %     E--Network errors.
    \" G! N3 t1 Y' r- Y+ D
36. [net,tr,Y,E]=train(net,p,t); . N! L( W* x, [' ]6 V1 }( R& l
    
37. %%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%
    0 e! g& D, ?2 K& S/ _7 _6 ^
38. % input the testing points here %; i% x! u0 X4 j4 v) s
    
39. title('神经网络训练结果');
    5 l* ~( b6 K4 C& k% d! l' C
40. xlabel('时间（天）');
    ! O! v+ n7 @  K6 E1 O
41. ylabel('仿真输出结果');
    5 ^# q& N4 s/ C2 H6 {' g\" z
42. legend('仿真模拟值','实际值','神经网络预测值');3 ?* ^* J0 U- O/ C: o+ \
    
43. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%8 H4 j( t0 X  o  f# [$ A5 o3 Q
    
44. x=1:5;
    8 X# N% C8 s. d3 y# y0 Q. Z
45. y=1:5;) q3 d: V! j3 S; j
    
46. y21=sim(net,p);
    1 V1 W) n: O; ]+ S- Y
47. y2=reshape(y21,1,15);
    & \+ V/ @\" T/ ~& A. w
48. clf# i( z: f  |0 r3 F* q7 R2 X
    
49. plot(r,y2,'b-^')
    9 `' j; p9 R' N; c  O; h  s
50. hold on  L, ]% }* b! c
    
51. plot(1:20,day,'r-*')
    7 b9 O, R6 G5 J
52. %%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%
    + F2 o9 [% O( h9 O  W, @) _
53. y3=sim(net,h3);
    4 l# \& ~  P- i\" X
54. plot(21:21,y3,'-*')
    7 b% x0 J# a/ \4 g
55. hold on8 a- U& M% t3 ^' M( `
    
56. title('神经网络训练结果');2 z$ u6 o$ z8 j' C
    
57. xlabel('时间（天）');6 Y% S( \( b2 t9 z* o6 |* G
    
58. ylabel('仿真输出结果');' G# ^' x5 W4 m4 [5 O
    
59. legend('仿真模拟值','实际值','神经网络预测值');
    6 K  W& Y7 w* |1 M! @) y: l
60. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
    & w; G0 |9 C: E3 u! a# n  o- s
61. x=1:5;
    - s- U1 t2 Q/ s7 ^7 Q
62. y=1:5;  r1 P7 B& Z7 O0 O* d
    
63. plot3(x(1:3),y(1:3),E(x(1:3),y(1:3)))

复制代码