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];
1 r) @/ y( k. P; @' G! n+ ^0 pdayhistory=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
* z) H9 _. M+ L% Edaypost=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
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
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;
$ p- e1 N0 n3 H* x! |2 W8 |rr=reshape(r,5,3);
%%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%
net=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
9 c8 f) _* w; c0 ?% 两层的传递函数均为purelin
$ W: H7 u; c  J1 Y8 b+ y+ r% 训练函数为trainlm
% 所训练的网络大小为[5,5]
8 a7 m$ J0 l# T& X. P% 仿真训练前的网络
" ~2 B( y5 j7 a5 z8 z
, Z9 X8 R4 v5 @! h) P) o1 Q%%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%
% network parameters:
%   epochs--epochs of the train
%   goal--errors goal of the network
%   lr--learning rate
0 l0 u3 w$ L" [# A- ~%   shows--epochs between the displays
%   time--Maximum time to train in seconds
% T5 k% n! O+ E/ ^" Xnet.trainParam.epochs=200000;  % 训练次数
1 t& E4 R' v! ]5 ^% Q% S! pnettrainParam.goal=0.0001;  % 误差期望值
% returns of the train:
%   net--New network
%    tr--Training record (epoch and perf).
%     Y--Network outputs.
. H4 C9 v% |1 v7 ^  I- Q) s" e%     E--Network errors.
[net,tr,Y,E]=train(net,p,t);
%%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%
* U- v8 R* g* {2 ]9 f/ t; ?% input the testing points here %
7 B& E, L& ?( |& D: L, a9 Etitle('神经网络训练结果');
xlabel('时间（天）');
ylabel('仿真输出结果');
9 B* H, @3 N" |% o, I8 Ylegend('仿真模拟值','实际值','神经网络预测值');
+ F# F8 o1 F7 H9 `%%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
x=1:5;
y=1:5;
; S* p2 D) h- g9 q7 T. W' O! yy21=sim(net,p);
( W' J, }8 H5 \) T/ A2 Y) `. uy2=reshape(y21,1,15);
clf
# W% j3 p( U9 L+ ]plot(r,y2,'b-^')
) A- N  ?! |- w1 U! ^4 F0 @hold on
3 o( w* @" x& e" y  Kplot(1:20,day,'r-*')
; Y; w5 l4 [# a5 p" H+ i, o%%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%
$ O" J& R3 B2 e% A2 c' T3 t( dy3=sim(net,h3);
plot(21:25,y3,'-*')
hold on
title('神经网络训练结果');
xlabel('时间（天）');
) K" O; N0 J' B# T8 b! Rylabel('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 %%%%%%%%%%%%%
& d0 n# h# l  Q: I2 _  e9 sx=1:5;
y=1:5;
3 M! U; r* y1 _3 s0 M$ qplot3(x,y,E(x,y))

- |9 M' d- a6 N; Q

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, w8 d- g: _  _! u3 I8 \
   
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];
   & y9 D( z$ w: s% {* M$ E
3. dayhistory=day(1:20);%取其中三十天作为历史数据样本2 D; w& y% 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( I& L$ k3 r: J# `$ M2 y
   
5. dayday=day(1:15);% 取其中的前25天
   ) N4 ]) q& h$ x, x* z# Y
6. daypost=day(6:20);%取其中的随后25天
   : f$ l. M9 E' ~( }: B8 t/ n
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 }  F4 U% v2 R) f% f7 _
   
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4 f; Z! |% t/ P1 M6 s
   
9. daylast=day(16:20);
   7 e( y& N4 ~7 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\" s6 c! e3 e  W
    
11. r=6:20;8 S+ l3 }! u/ A3 h8 }\" z8 _; y
    
12. rr=reshape(r,5,3);
    $ r0 L: w! P' a, s; g1 r7 {
13. %%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%6 N# ~! f3 ]4 E7 c1 V& x
    
14. net=newff(minmax(p),[5,3],{'purelin' 'purelin'},'trainlm');4 N: |4 {7 u* j0 y
    
15. y1=sim(net,p);
    / m4 {( c5 h3 J. a: r1 `  Q
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
    . ]! E* S+ J9 n1 N2 [3 M7 x
17. % 两层的传递函数均为purelin! Y. R  `% B% q  b' }3 u0 b
    
18. % 训练函数为trainlm
    ; u1 Q; `1 @8 x* n3 U
19. % 所训练的网络大小为[5,5]# m: ~4 S5 \3 K2 `6 Q
    
20. % 仿真训练前的网络
    $ k' B# F- r1 P, g5 B
21. 7 U' |8 U( A$ Q- a1 j2 B0 |, p
    
22. %%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%
    7 d* b$ W% C9 G0 Q* S7 E0 p
23. % network parameters:  I) N% c7 G2 q0 m4 _
    
24. %   epochs--epochs of the train! l2 b  Z! f0 w& g# v' g+ u
    
25. %   goal--errors goal of the network
    % y6 s7 n) Z9 Z8 s
26. %   lr--learning rate, L- ?\" c7 _\" R/ \: O& }
    
27. %   shows--epochs between the displays+ ?( b( u, D4 {
    
28. %   time--Maximum time to train in seconds' m' b* {3 H- X, `5 [5 q& v
    
29. net.trainParam.epochs=200000;  % 训练次数( w# J( t9 i1 O0 V/ ]8 z! b\" e
    
30. nettrainParam.goal=0.0001;  % 误差期望值
    ( X& e% y3 X4 [/ p4 \: g- T
31. % returns of the train:
    - n. v9 [' j5 E9 ^8 o& p/ S8 r
32. %   net--New network
    ( F5 B; B5 E4 \- {: p9 K$ g\" u
33. %    tr--Training record (epoch and perf).
    8 h0 M3 U. c- ]# s4 h. t+ W# C3 u
34. %     Y--Network outputs.
    , i1 S1 g4 @; x4 K& {\" c
35. %     E--Network errors.: a; Z% b/ v& K
    
36. [net,tr,Y,E]=train(net,p,t);
    ' R& Y* X$ p. @3 S9 x' ]0 t. m
37. %%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%/ I+ s# \4 `# O1 e+ j4 v4 M* m
    
38. % input the testing points here %
    \" ^$ h3 A* J% }+ A; F7 ~* Y+ b
39. title('神经网络训练结果');
    ! W- w$ Y, A0 J4 \2 K. Q, F& x
40. xlabel('时间（天）');
    7 P4 Q7 E+ [7 D# d* b
41. ylabel('仿真输出结果');
    ) p6 r# f- p2 b7 T! h
42. legend('仿真模拟值','实际值','神经网络预测值');  s$ X& d\" J) }9 J3 s5 R( p1 |
    
43. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
    7 A- |1 ]1 y+ u$ x
44. x=1:5;- f7 d  E% A! B8 d
    
45. y=1:5;3 T, l' G# A- j+ F
    
46. y21=sim(net,p);
    8 ]; c1 R0 P9 Q\" G8 j5 `. G3 |
47. y2=reshape(y21,1,15);9 I1 Q3 B# X& ?- ^2 m\" @
    
48. clf
      e; |+ j8 @. U+ P2 N6 a5 l- z
49. plot(r,y2,'b-^')+ d& J1 [5 X. F) H1 [2 w2 B# q
    
50. hold on, w2 S% S8 j& {9 m* a% T
    
51. plot(1:20,day,'r-*')( a7 b. X# B# b$ ?' m
    
52. %%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%
    - W  T, p3 ?8 }& g! M4 R
53. y3=sim(net,h3);
    ; e  ^0 ^) C6 ?4 I. e, R5 A7 z
54. plot(21:21,y3,'-*')
      U  O4 F: [. D9 ?\" t) T
55. hold on
    - `7 B. C5 ~, c$ c2 ]0 G5 m
56. title('神经网络训练结果');8 R2 W. {7 x4 h. b& {9 q7 I
    
57. xlabel('时间（天）');
    ; P& Z4 B6 k, M- s! M
58. ylabel('仿真输出结果');
      k# k$ n# s/ N6 j, Y
59. legend('仿真模拟值','实际值','神经网络预测值');
    + M, ?, W5 h5 i5 f- G
60. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
    0 T5 S( D1 G4 M: n6 s- |6 X
61. x=1:5;
    ' F$ K\" k\" O5 ^
62. y=1:5;& f, M1 u0 l7 L
    
63. plot3(x(1:3),y(1:3),E(x(1:3),y(1:3)))

复制代码