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];
, E7 |8 {# }1 b/ k0 i) fdayhistory=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
$ m) L% m  b% J6 _dayday=day(1:15);% 取其中的前25天
daypost=day(6:20);%取其中的随后25天
- Y8 x9 y- d5 ?( G2 Qp=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
# ^6 u5 W) u5 F! Q. X5 it=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
r=6:20;
rr=reshape(r,5,3);
%%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%
5 E$ r1 F  G) dnet=newff(minmax(p),[5,3],{'purelin' 'purelin'},'trainlm');
y1=sim(net,p);
  x% t4 V8 b  c$ T- k6 S9 |% 新建网络，其中minmax(p)为p的没一次输入的最大最小值向量
6 a9 {" p! N& A% 两层的传递函数均为purelin
% 训练函数为trainlm
: b& U  m! g: t" N* G  R' P. X% 所训练的网络大小为[5,5]
% 仿真训练前的网络
7 d+ M. B. @/ i9 d$ {* }7 b' q3 s
%%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%
$ i( |6 Z) z6 e1 E1 G# r! h% network parameters:
# n6 E2 z  ~  c* g%   epochs--epochs of the train
! r2 `7 s1 {3 z% l%   goal--errors goal of the network
. o( b4 Q/ G0 J! ~' [7 \2 _! h%   lr--learning rate
- E8 o8 K7 U* \( X5 ]%   shows--epochs between the displays
%   time--Maximum time to train in seconds
net.trainParam.epochs=200000;  % 训练次数
, ~5 y4 E# k; g6 E3 }nettrainParam.goal=0.0001;  % 误差期望值
% returns of the train:
%   net--New network
, }4 @4 t* \3 [, T7 l%    tr--Training record (epoch and perf).
%     Y--Network outputs.
, s4 ~* A$ I' f! \  ]  ]%     E--Network errors.
[net,tr,Y,E]=train(net,p,t);
%%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%
% input the testing points here %
. J2 Z2 G7 w% O1 ^# ?( A) s" t. |title('神经网络训练结果');
& o$ N! I: n* Mxlabel('时间（天）');
8 }& W/ t4 `. [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 %%%%%%%%%%%%%
3 l" Z" `; Z, i/ `( hx=1:5;
y=1:5;
y21=sim(net,p);
9 K& _1 o% L: s3 a1 `+ P% L0 a3 fy2=reshape(y21,1,15);
0 y9 i, o" e. P4 u, Rclf
- O/ \6 Y: }. w% a3 x4 `1 `) nplot(r,y2,'b-^')
hold on
plot(1:20,day,'r-*')
& E% [5 Y5 I6 Z/ {% j$ j5 _6 t%%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%
6 Z( h3 I" W7 ]9 H/ t4 e; Ly3=sim(net,h3);
plot(21:25,y3,'-*')
hold on
- b% ^. }+ s1 b% |title('神经网络训练结果');
- a' s! }( m  F5 N0 N- \* Cxlabel('时间（天）');
# t9 q# a0 a3 T  r# d" v1 x. Iylabel('仿真输出结果');
3 v0 ]; _6 R% U- |8 f# ^: clegend('仿真模拟值','实际值','神经网络预测值');
% c7 g: R: R( i$ z! r; ^2 t%%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
# X+ [- n) M) C  jx=1:5;
! r+ {7 n3 ~0 d& ~! B7 j( u( oy=1:5;
8 n, s+ n, S& S; W# Nplot3(x,y,E(x,y))
" z# Y& ]6 u$ y3 }' a% E) `
+ H; }; C& T% Q9 ^6 l) H# `

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
   / p, X2 q4 |5 l5 l
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];# n% O% ~, s0 |3 o5 ~6 y; S
   
3. dayhistory=day(1:20);%取其中三十天作为历史数据样本. v2 A9 E! V7 }+ ?$ J# G( [
   
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. G) L: m5 o. m' C
   
5. dayday=day(1:15);% 取其中的前25天
   ' v  f9 c$ l7 }7 U+ F7 ^4 J
6. daypost=day(6:20);%取其中的随后25天5 N5 q' x/ T+ e4 w2 {( b( [
   
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 }) v& Z/ N2 q
   
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
   ( Y# }5 R# U2 y$ s
9. daylast=day(16:20);
   . W) L2 |: b+ I4 N
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+ V) d: q  a+ n2 U( x
    
11. r=6:20;
    , j( b3 v  o. x  ]
12. rr=reshape(r,5,3);1 C6 w+ @& Y0 P* M9 X\" ^+ A  S
    
13. %%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%
    , G* l0 C2 n* {! \/ J* Y3 i
14. net=newff(minmax(p),[5,3],{'purelin' 'purelin'},'trainlm');
    3 S! Z& v) r- n7 I8 w
15. y1=sim(net,p);
    & S1 ]* V# g# E/ Z
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
    , G$ F& w7 }* u0 F% N$ E1 T0 L
17. % 两层的传递函数均为purelin
    - c( |6 H+ |# F$ f6 T( Y* q) D, R9 e& M3 q
18. % 训练函数为trainlm$ f/ ]  w# L, [\" X
    
19. % 所训练的网络大小为[5,5]
    & B8 u( T' x' T. S+ s+ j5 d% F
20. % 仿真训练前的网络- S0 Y0 C+ D! ^9 e
    
21. 8 D0 z& k- _/ N+ O$ S
    
22. %%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%
    , _; Y7 ^# N: g( ~9 E5 s8 F2 s
23. % network parameters:
    \" K+ f/ n' e4 n( B# Y# R' e
24. %   epochs--epochs of the train$ y! s- _; M: N: v
    
25. %   goal--errors goal of the network5 V. G5 i$ G$ d$ N
    
26. %   lr--learning rate& v1 Y- p/ p! ?! Y
    
27. %   shows--epochs between the displays- U' ~6 \1 B  Y7 l% v
    
28. %   time--Maximum time to train in seconds
    $ B  l, e. N\" N7 w- ]. {4 Q
29. net.trainParam.epochs=200000;  % 训练次数) O: Q/ |8 U+ V) u7 Z. `9 p; a
    
30. nettrainParam.goal=0.0001;  % 误差期望值* h# [\" t! ]5 U2 |. r5 ?; q1 K9 K; U. E
    
31. % returns of the train:% r\" ?! ~' c, T! p\" X1 `- Y
    
32. %   net--New network
    ( j% m  t0 ~\" r( P( z$ ^7 j
33. %    tr--Training record (epoch and perf).
    0 s5 g% W4 U6 @( Z) D. t: i+ y# L8 I: Y
34. %     Y--Network outputs.
    ! S7 W5 Q8 j. X0 w
35. %     E--Network errors.
    4 s8 m. Q% r8 Q( W
36. [net,tr,Y,E]=train(net,p,t);
    . Q/ ?  z0 K$ A
37. %%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%
    # O6 R' J& _+ `5 p6 x, v
38. % input the testing points here %4 d4 Y+ ?0 x3 |) u1 \+ v$ _
    
39. title('神经网络训练结果');
    6 c4 n% q6 o# X* X6 \
40. xlabel('时间（天）');
    + y4 g. [: t% S
41. ylabel('仿真输出结果');
    % p2 ^' y8 [! V; \9 B2 U
42. legend('仿真模拟值','实际值','神经网络预测值');8 e3 _- _0 K5 I
    
43. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
      w  e  y, g; D3 @5 a* L
44. x=1:5;+ V  W: Z7 G- A
    
45. y=1:5;
    & C  ^\" z/ M2 C) H: u6 v7 ]
46. y21=sim(net,p);
    - i$ ~4 c+ u1 [! p
47. y2=reshape(y21,1,15);
    6 L) h\" o: h# {. x: F3 M
48. clf' p  F9 A4 o0 ^# a% V9 v. t
    
49. plot(r,y2,'b-^')
    5 O+ H$ j- C2 }\" l: o1 }) J# Z3 T
50. hold on3 E( b7 S+ J6 [: n
    
51. plot(1:20,day,'r-*')
    1 `. O& N; \1 q$ e& j
52. %%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%) a, b4 G2 u$ V' U4 L+ o
    
53. y3=sim(net,h3);6 V2 E1 m. C# @; m! X+ p! P
    
54. plot(21:21,y3,'-*')
    1 _5 E/ n3 j. M$ U' R
55. hold on
    ) ?( u$ D7 V8 ^6 ]  O
56. title('神经网络训练结果');\" h. H  d5 Q. @( V3 g4 {* J0 p
    
57. xlabel('时间（天）');
    ' F* M' }- t1 T2 [
58. ylabel('仿真输出结果');7 R- G* w# u2 N# G
    
59. legend('仿真模拟值','实际值','神经网络预测值');2 j' r! T+ \0 ^! {* ]
    
60. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%# Z, d& B$ ~: s
    
61. x=1:5;  Z\" F2 e: P5 z! R5 N% N5 s4 d
    
62. y=1:5;) B6 C# {! i7 l, g' K. t
    
63. plot3(x(1:3),y(1:3),E(x(1:3),y(1:3)))

复制代码