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];
dayhistory=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
  s5 H2 m9 `0 D# T" t. _! xdaypost=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
& Z$ O1 p  @# I9 k& a( kdaylast=day(16:20);
3 c, X% e7 X' l; ch3=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 %%%%%%%%%%%%%%%%
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
  Z2 _1 l/ k3 @* V5 p; l% 两层的传递函数均为purelin
6 I* O8 r6 a( I; S7 ?% 训练函数为trainlm
* @9 w: I* I" ]! \( J% 所训练的网络大小为[5,5]
7 }* \4 u  n# E+ K% 仿真训练前的网络

%%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%
: R4 F; ~) T2 G2 N! A0 \% network parameters:
%   epochs--epochs of the train
7 I9 m! u8 O) i/ J/ a%   goal--errors goal of the network
- J7 I- O$ q: ?) U  n%   lr--learning rate
1 {& U4 _+ }" G( D%   shows--epochs between the displays
%   time--Maximum time to train in seconds
- u; C' ?- m- H" r2 S3 L0 Ynet.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);
* A7 S: H& _) C  R8 H%%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%
% input the testing points here %
: B7 |9 n  R4 E$ j2 Etitle('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');
3 F) I2 j- y3 i& x( d%%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
* E2 g0 J( @# B3 z, xx=1:5;
. x5 C* j# L( k; t4 S- Z$ j% Wy=1:5;
y21=sim(net,p);
; q/ y/ T' X+ w" jy2=reshape(y21,1,15);
clf
plot(r,y2,'b-^')
5 m5 E2 ^- I1 Y& l( ihold on
* y. c; d0 V$ [3 Y4 z) Tplot(1:20,day,'r-*')
' i5 f% l& ]+ `; B9 M. f& n& W%%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%
y3=sim(net,h3);
( D( J; z7 @8 T, t0 w0 D9 w3 B6 Qplot(21:25,y3,'-*')
3 g( ]# V  e4 s+ _- E! ohold on
title('神经网络训练结果');
xlabel('时间（天）');
# A4 D" @3 t* U* `! nylabel('仿真输出结果');
5 r$ _# L# X+ }- {- L" Ylegend('仿真模拟值','实际值','神经网络预测值');
%%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
x=1:5;
; T+ I5 i9 w% f0 O4 K% @: K: ry=1:5;
plot3(x,y,E(x,y))

* ^0 x+ o6 s, x& @9 Z5 l

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. clear8 ]( V( m\" p9 B' A  o
   
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];
   ; b' g: W0 i# I. y5 v
3. dayhistory=day(1:20);%取其中三十天作为历史数据样本. U- ^% ^6 s, r; H0 `- K
   
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4 N& m, Y8 ]\" d. N9 g
   
5. dayday=day(1:15);% 取其中的前25天
   \" w: s/ y) K. X! ^' T8 e. k
6. daypost=day(6:20);%取其中的随后25天
   0 W. l/ [4 _# M9 R
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' m2 P' e; G\" T/ [
   
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 p7 \8 o+ |- _0 R! ^
   
9. daylast=day(16:20);# \1 w# O# J( M
   
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+ j. `6 J, t. a% s; ^
11. r=6:20;6 `3 P  `/ K; _  @0 Q. J( D
    
12. rr=reshape(r,5,3);& g( W$ F% |1 W5 N- e2 l! k4 a- K
    
13. %%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%  e9 I& J8 e0 z
    
14. net=newff(minmax(p),[5,3],{'purelin' 'purelin'},'trainlm');' Z0 w# ?3 L* j
    
15. y1=sim(net,p);
    6 c- u* b* C0 u  z+ v( O$ _6 }5 R
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9 U& ]* M' m) O- ?1 Z5 C
    
17. % 两层的传递函数均为purelin3 ~3 e& m; F! w0 d. ]& S
    
18. % 训练函数为trainlm
    ! a6 Y. u% a) ?# c) y
19. % 所训练的网络大小为[5,5]
    , \: v: U4 t# Q: h\" }\" ~2 h
20. % 仿真训练前的网络2 |\" H9 T$ _, ^; V4 W
    
21. % H  ]* _+ f  a$ A
    
22. %%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%
    0 i, R: Q5 _, v9 S' ~
23. % network parameters:) R3 |$ C+ I. \8 Z4 R7 _5 J
    
24. %   epochs--epochs of the train+ Q  L! R, F; P! |* L
    
25. %   goal--errors goal of the network/ p4 K. @1 O' C  c\" }
    
26. %   lr--learning rate
    ) h$ Z3 C& m. v4 j\" f1 A
27. %   shows--epochs between the displays
    $ M9 {. K  s2 |
28. %   time--Maximum time to train in seconds- I1 t\" Y\" f/ e4 I
    
29. net.trainParam.epochs=200000;  % 训练次数1 S/ o2 ~, L* [$ W; c, v/ }\" q* |
    
30. nettrainParam.goal=0.0001;  % 误差期望值
      c$ Z\" t8 j: e4 n2 Q
31. % returns of the train:
    % b3 z% {; @. x' y5 u4 L1 }. m
32. %   net--New network7 m( `1 I  a/ q
    
33. %    tr--Training record (epoch and perf).7 f' Q* x1 Q\" t; ]0 R3 s- E- L, Y
    
34. %     Y--Network outputs.
    1 Y) p% \- b$ E7 A5 c4 ]) b- i, D
35. %     E--Network errors.
    # `' B* R% o2 |9 w' C: e5 v
36. [net,tr,Y,E]=train(net,p,t); # e( l  J) a4 y; G) U8 I& i' g
    
37. %%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%2 {  G; H5 ^6 _5 l
    
38. % input the testing points here %' G& ?3 {: {8 N
    
39. title('神经网络训练结果');
    5 x# o2 c; h! b, V* Y0 [# G
40. xlabel('时间（天）');
    1 F* A8 G  Q, l+ S& Z% _: _9 N
41. ylabel('仿真输出结果');) {1 ]2 J3 B7 _7 K, B' [4 i
    
42. legend('仿真模拟值','实际值','神经网络预测值');
    . {8 _+ T8 b3 G
43. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
    1 a6 ^7 _6 g# g2 [8 J9 x
44. x=1:5;: e. F! X. s6 P; H+ l
    
45. y=1:5;  q: N* G: @! S( \$ g
    
46. y21=sim(net,p);\" Y7 o. ~0 Z9 K0 e9 o# s
    
47. y2=reshape(y21,1,15);
    $ Q\" v  W' o( k6 p  w9 H1 T  s\" Q- D
48. clf
    6 t0 {# J% S$ y' A1 p
49. plot(r,y2,'b-^')+ T- H$ g; D/ J$ t) h( S( C8 B
    
50. hold on  _% g9 z3 X7 h8 s! _9 I. `
    
51. plot(1:20,day,'r-*')7 N* G* a5 ]( m/ B' H) g
    
52. %%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%
    4 b6 B$ z) ^3 s6 m
53. y3=sim(net,h3);0 Q. v  \: G  B% r1 [( q
    
54. plot(21:21,y3,'-*')
    4 y8 _% p6 s5 Z, j( r  U
55. hold on2 J. d/ B/ K/ P
    
56. title('神经网络训练结果');) t! }' d. o9 J
    
57. xlabel('时间（天）');
    5 T+ n5 L( ~. \. R( t% U$ f
58. ylabel('仿真输出结果');
    / H# j* e- E( h9 }
59. legend('仿真模拟值','实际值','神经网络预测值');
    \" ~; i% k: r. W( A
60. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
      k! W4 ], S! u( [6 j& a
61. x=1:5;
    ' r# ~' q! S* M6 w
62. y=1:5;
    & l2 d+ P. U, j) H) H
63. plot3(x(1:3),y(1:3),E(x(1:3),y(1:3)))

复制代码