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];
5 O5 B1 h; l9 a' ?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
. p& d& S6 H, z9 f, U* w, D8 tdaypost=day(6:20);%取其中的随后25天
  ~8 }. W1 C2 A( E6 vp=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);
7 j5 M) {' f7 X  C! d: V( A9 Ah3=reshape(daylast,5,1);% 将倒数第二个样本作为网络测试时的输入样本
% e. ^) Z# @8 X4 j! x9 m, u' O. \r=6:20;
rr=reshape(r,5,3);
/ ]6 r8 n0 `8 O: G; x$ x%%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%
net=newff(minmax(p),[5,3],{'purelin' 'purelin'},'trainlm');
% n8 j  F8 H: A: P& I/ q8 iy1=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
1 E) s- j+ g6 Z8 |% 训练函数为trainlm
' m5 g# w+ J4 k4 m: J, n% 所训练的网络大小为[5,5]
* M4 Z2 `; q8 [: z6 S% 仿真训练前的网络
3 u* B! M3 N% S$ X4 \6 s0 b; w% [
1 `# o' a2 p# D. T0 s  [) g%%%%%%%%%%%  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
; C  W; E0 `! A+ m%   time--Maximum time to train in seconds
net.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).
' ?. o; W1 P! V; ?7 o8 r0 M%     Y--Network outputs.
8 |' U, [3 Y6 [, s7 }- c%     E--Network errors.
[net,tr,Y,E]=train(net,p,t);
%%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%
. |9 }3 K& D: P( `/ Z% input the testing points here %
title('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');
%%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
4 Y% n$ t" K0 L$ Hx=1:5;
y=1:5;
y21=sim(net,p);
y2=reshape(y21,1,15);
' f# N# [; G' v5 t/ H! ~clf
plot(r,y2,'b-^')
hold on
plot(1:20,day,'r-*')
% Z% ?' H: p( z%%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%
  K4 H- ~6 w# ?/ q; I9 R) R- F0 Fy3=sim(net,h3);
plot(21:25,y3,'-*')
0 S; \5 |9 M) G% ~' X5 chold on
9 I4 K3 U0 I% X1 ~% Btitle('神经网络训练结果');
xlabel('时间（天）');
& ^# c) W4 P; z5 s9 B) W) D; ?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 %%%%%%%%%%%%%
x=1:5;
2 m# x; x0 |! m: r* R2 m: uy=1:5;
2 S" P# H/ o( Y$ U% Tplot3(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& x/ N! n, p% N) [
   
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];# s, z! T& R' r
   
3. dayhistory=day(1:20);%取其中三十天作为历史数据样本* N6 G/ B: r5 {; L- X* H
   
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
   9 y$ q* R8 k! P$ \. ^! f  {8 T
5. dayday=day(1:15);% 取其中的前25天
   # D7 D  z/ x5 y! g, I
6. daypost=day(6:20);%取其中的随后25天/ U1 C9 z  L) B! c' `9 K$ q: O
   
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. U& v% M$ U3 f: d
   
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\" T( ?* L3 i) l# R: N8 m, [
   
9. daylast=day(16:20);: A' R& ]1 j1 ?5 y) B' b% P+ o$ `
   
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
    \" Q3 n  E. [6 m3 @# v
11. r=6:20;
    - {: H) j7 i0 `# `$ }# e+ f( z
12. rr=reshape(r,5,3);
    8 a  q# o3 w9 M/ P8 g\" S3 L% B
13. %%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%7 M0 k* v1 ]. t2 r$ R% q
    
14. net=newff(minmax(p),[5,3],{'purelin' 'purelin'},'trainlm');( ?1 u\" |, c3 e  U8 B  P: y
    
15. y1=sim(net,p);5 q3 e( ^2 i5 c\" `% V0 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0 _& Q2 T2 D; s0 x* I% z2 r& d
    
17. % 两层的传递函数均为purelin! Q, A' p$ j& i. k9 V6 B0 J; u' `
    
18. % 训练函数为trainlm
    5 z' Q6 {! {* y
19. % 所训练的网络大小为[5,5]
    4 H/ s3 G8 C\" }! j! y
20. % 仿真训练前的网络$ f0 p; h2 |+ h' c
    
21. 
    ! q! a. I8 T9 j3 k. j8 A  T( p: B
22. %%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%
    0 S* }- Q+ P9 n/ \2 N. m
23. % network parameters:
    * \( \/ A% i: A9 k7 F) I
24. %   epochs--epochs of the train. b3 Q7 s9 F% [\" A/ J
    
25. %   goal--errors goal of the network
    2 G- i# A. Y- y! X
26. %   lr--learning rate
    3 w\" A) i$ e; V1 }1 W( \% Q
27. %   shows--epochs between the displays
    3 J\" u& E+ o1 m/ d# u9 G. I
28. %   time--Maximum time to train in seconds
    , [3 U% n* T; n' S
29. net.trainParam.epochs=200000;  % 训练次数+ u$ S  _5 Q$ }& z
    
30. nettrainParam.goal=0.0001;  % 误差期望值
    7 G' {0 D\" V\" m2 Y2 n2 E
31. % returns of the train:6 |9 q- q; U& ]/ e: V+ `0 z
    
32. %   net--New network2 g) D8 h/ ^: W9 B3 o5 `0 `
    
33. %    tr--Training record (epoch and perf).( `1 l- M  L) H6 h
    
34. %     Y--Network outputs.
    0 [$ P8 V* F& h: F1 W) a& h1 g+ I
35. %     E--Network errors./ g) }: n9 G) H
    
36. [net,tr,Y,E]=train(net,p,t); ( v3 g* {/ d; G& I
    
37. %%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%
    0 j* I$ g2 d% c! h
38. % input the testing points here %. }7 z+ f9 o+ Z% i! R: W
    
39. title('神经网络训练结果');7 L% }7 ^4 f3 k) N! M
    
40. xlabel('时间（天）');
    , r# \/ a! m) Y
41. ylabel('仿真输出结果');
    % R9 H6 d- y% g\" A9 g
42. legend('仿真模拟值','实际值','神经网络预测值');6 o# z! {% Q1 M0 \+ s2 A
    
43. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%$ I9 V2 G. Z2 [) ?8 q
    
44. x=1:5;- a% V9 u9 O7 ]8 r
    
45. y=1:5;1 r8 m5 Z1 `$ @) l% K
    
46. y21=sim(net,p);
    9 e5 [* [0 A, i2 Z& S8 z7 A
47. y2=reshape(y21,1,15);7 K$ x' b; {7 w% F! ~* j
    
48. clf
    # n# Z\" l7 N$ ~4 f* B  X
49. plot(r,y2,'b-^')
    8 W% U0 [# @9 ]
50. hold on; ~$ w; X6 ]2 }3 e
    
51. plot(1:20,day,'r-*')) E/ B6 M: q+ q! n
    
52. %%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%
    * ]6 d& G0 I! ?' Z# ]( B
53. y3=sim(net,h3);
    ! e* g. X( g( ~  D7 i& P
54. plot(21:21,y3,'-*')
    0 s% W+ L. m; J7 e9 E% C
55. hold on- a4 f' p3 ^, @! }! x\" @7 m8 v
    
56. title('神经网络训练结果');3 w  g# D' \5 ~; w+ ~2 }7 a4 `
    
57. xlabel('时间（天）');: E  B) i4 |( {2 L- T
    
58. ylabel('仿真输出结果');
    3 k. y$ e- y3 W; B# h
59. legend('仿真模拟值','实际值','神经网络预测值');
    / ~, b; j# y0 i0 w
60. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
    & ?5 R2 b& a- d9 s& t' c6 N) ~! W
61. x=1:5;6 m+ B# \: R8 h4 R  q
    
62. y=1:5;5 U) M8 H/ C# j( L: v
    
63. plot3(x(1:3),y(1:3),E(x(1:3),y(1:3)))

复制代码