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];
$ h, I0 D0 E# v- vdayhistory=day(1:20);%取其中三十天作为历史数据样本
( }& \' J4 n$ A! m7 _8 Tdayhismod=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
, o* n% U) I0 ?4 `: A; l8 \daypost=day(6:20);%取其中的随后25天
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 N3 S6 @/ f' M+ }8 xt=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
- d$ N, n, h1 ir=6:20;
rr=reshape(r,5,3);
%%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%
) k0 P$ V1 @3 |8 `- x# Tnet=newff(minmax(p),[5,3],{'purelin' 'purelin'},'trainlm');
y1=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
2 e4 ]& ^- u7 k9 g* F6 q# l% 两层的传递函数均为purelin
% 训练函数为trainlm
# Z4 k0 e* o, L6 [% Q: R% 所训练的网络大小为[5,5]
% 仿真训练前的网络
+ }& U% w# R. y& D# a  s& f
+ L% j5 o/ ~- v% U%%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%
% network parameters:
%   epochs--epochs of the train
%   goal--errors goal of the network
%   lr--learning rate
%   shows--epochs between the displays
& O/ \# r( z- s$ p# }+ h. d3 {4 X7 i( a%   time--Maximum time to train in seconds
2 _# R8 X5 Z: Lnet.trainParam.epochs=200000;  % 训练次数
nettrainParam.goal=0.0001;  % 误差期望值
% returns of the train:
$ P7 `+ V6 Z( J3 {- m+ C6 z& d%   net--New network
%    tr--Training record (epoch and perf).
& @5 \" j# Q, j7 S) T- Y/ G%     Y--Network outputs.
# C# W, Z( M) g8 P- c8 D+ X%     E--Network errors.
2 W, Z; q( G/ }+ C[net,tr,Y,E]=train(net,p,t);
%%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%
" G2 C" T7 v$ H9 d$ l% input the testing points here %
/ F4 y  d3 R0 h/ xtitle('神经网络训练结果');
xlabel('时间（天）');
/ Q% ^1 X7 p  `& y; Zylabel('仿真输出结果');
- f' z2 `- ~0 W+ K% F. d. @' f8 Ulegend('仿真模拟值','实际值','神经网络预测值');
%%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
x=1:5;
0 i) `' @5 d' w0 j! ~& sy=1:5;
y21=sim(net,p);
y2=reshape(y21,1,15);
' S$ K. p/ _8 q  Q- Rclf
plot(r,y2,'b-^')
: |% @6 W6 f& X2 `hold on
plot(1:20,day,'r-*')
%%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%
y3=sim(net,h3);
plot(21:25,y3,'-*')
hold on
. w6 i5 I6 y# H5 `title('神经网络训练结果');
  X+ k; I2 J, f0 c( T! jxlabel('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');
. _- b1 V7 k& y%%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
x=1:5;
y=1:5;
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
   , O0 _$ L6 P/ B8 }* U( b3 L9 F6 y
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];
   / G) X5 t1 l0 \6 _/ ~3 @! [$ m. W
3. dayhistory=day(1:20);%取其中三十天作为历史数据样本
   * u: `1 R& b: k7 B% r% G( o; b
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
   & E, L  L- z3 q8 B
5. dayday=day(1:15);% 取其中的前25天
   ' S! O# o) W& X! o$ [0 d, I1 n& V! a$ Q
6. daypost=day(6:20);%取其中的随后25天* G  a2 i/ X/ X' A1 a' h
   
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8 ]  z& G7 v6 _! L! H
   
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
   5 P6 h2 O3 H3 g1 a
9. daylast=day(16:20);5 Q3 |0 c4 ?) S
   
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
    1 ]7 M! V\" z2 j
11. r=6:20;& M. ?$ v& w& S- s0 }8 L; o$ d
    
12. rr=reshape(r,5,3);+ b: o  Q+ r: @' R7 r
    
13. %%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%+ f3 b5 i0 T* y8 s0 h2 B. g* C
    
14. net=newff(minmax(p),[5,3],{'purelin' 'purelin'},'trainlm');0 _3 J3 o1 F6 Z: l
    
15. y1=sim(net,p);# M1 y% J. `+ R5 a* L# t
    
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, p- b, P\" B0 _
    
17. % 两层的传递函数均为purelin
    : ~! R) ?# z& V& q$ j; x3 p& T
18. % 训练函数为trainlm
    ' c' |7 s2 b- V) {) Q9 |  H( I
19. % 所训练的网络大小为[5,5]* d0 _4 [' z' o- H  V& E
    
20. % 仿真训练前的网络
    # t  F\" V+ F; Y2 G$ n( z
21. 
      l7 M5 P7 @  O+ A$ M
22. %%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%9 z( S5 [% X5 o
    
23. % network parameters:
    1 j( L, h. L( J
24. %   epochs--epochs of the train4 e5 y- R# y- C0 r: ?
    
25. %   goal--errors goal of the network
    - J# C8 p! `: H7 I\" _
26. %   lr--learning rate
      X! S9 ?( z) J+ ]1 U/ h
27. %   shows--epochs between the displays& i3 }- j6 _\" O$ n- B! J% a
    
28. %   time--Maximum time to train in seconds, K( T5 U3 _) j
    
29. net.trainParam.epochs=200000;  % 训练次数9 M5 v0 b7 P2 B9 F( \! t( i
    
30. nettrainParam.goal=0.0001;  % 误差期望值
    \" t\" {6 \' ]/ {0 s
31. % returns of the train:2 J# F$ D\" Q/ o\" E8 K2 H5 H8 k
    
32. %   net--New network
    1 T\" R9 _3 y9 k2 K/ k  `+ V
33. %    tr--Training record (epoch and perf).
    6 X) T9 D) U4 r$ ~
34. %     Y--Network outputs.; Q9 _6 K0 ~5 k
    
35. %     E--Network errors., }% ^# A! ?' o/ }+ ~6 }2 y3 h* d
    
36. [net,tr,Y,E]=train(net,p,t);
    , ^1 C( |\" [* t9 o
37. %%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%
    & l& ^5 J' N+ X1 `
38. % input the testing points here %+ s1 @/ C/ x7 b7 M9 ?: b, |
    
39. title('神经网络训练结果');
    % |( x: Z* n1 B2 B$ \5 A
40. xlabel('时间（天）');2 }4 b7 H3 ]& K) ^
    
41. ylabel('仿真输出结果');
    ; c1 U7 A2 V$ }
42. legend('仿真模拟值','实际值','神经网络预测值');8 [  C( O- b) i  [
    
43. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
      `\" @/ K$ b% h5 D& X5 m
44. x=1:5;! C( `\" A) b$ S, M8 v
    
45. y=1:5;$ c8 }: I! [9 \6 @
    
46. y21=sim(net,p);
    ; a/ e: y8 `6 L% T2 I- |
47. y2=reshape(y21,1,15);
    2 C! k4 `$ `4 s! q/ L7 Y\" ]
48. clf
    : _( {8 E6 d; F. M
49. plot(r,y2,'b-^')
    * j3 T% n0 m  x+ c: o
50. hold on
    ! E- E% i- q2 M5 ~. @  t. X' u
51. plot(1:20,day,'r-*')% K7 K3 J4 p% T. v, `# E
    
52. %%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%
    3 X1 l; T  E- l$ y6 a+ O
53. y3=sim(net,h3);- p1 G( Q; E1 F2 E# l- `8 H. Y0 K
    
54. plot(21:21,y3,'-*')
    & e& t8 f6 G7 i7 _
55. hold on8 Q& T: |5 C2 P
    
56. title('神经网络训练结果');* w1 K! T  Z. I% u; {8 {+ s; l
    
57. xlabel('时间（天）');
    2 A: `2 e0 K! ?2 [1 Q( @1 B. l% ^
58. ylabel('仿真输出结果');
    \" q) B: V: M$ ?* U
59. legend('仿真模拟值','实际值','神经网络预测值');
    0 z, K# [1 [4 l( j0 p( n& q
60. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
    9 \7 ]0 Y0 {1 g4 F
61. x=1:5;
    + n\" O2 k- O  Z! h. U
62. y=1:5;
    , [3 Z; l9 x- N
63. plot3(x(1:3),y(1:3),E(x(1:3),y(1:3)))

复制代码