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];
9 t/ [- A% r+ b( y% C3 ?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
1 R' d6 Y- P6 V  P6 }! C. o" k' fdaypost=day(6:20);%取其中的随后25天
4 j" b' u" k- i5 U/ np=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
  u7 H* P  T! Dr=6:20;
3 S: c/ Q! n+ [6 D9 v2 n/ c. _" zrr=reshape(r,5,3);
* J0 M: A! S5 _# w7 Q% U& x%%%%%%%%%%%%%% 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
% 两层的传递函数均为purelin
% 训练函数为trainlm
& Q& v, i6 ]& O) g6 g; k% 所训练的网络大小为[5,5]
2 R2 E, F4 z. R8 j& b1 t& o% 仿真训练前的网络

%%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%
% network parameters:
5 r7 x& m. t* @% M' ~, C%   epochs--epochs of the train
%   goal--errors goal of the network
%   lr--learning rate
%   shows--epochs between the displays
4 I, y& w" ]6 ^# h% P%   time--Maximum time to train in seconds
5 R6 b4 O& f2 Q4 A4 `( hnet.trainParam.epochs=200000;  % 训练次数
nettrainParam.goal=0.0001;  % 误差期望值
% returns of the train:
$ j+ R$ N) X1 E9 d9 G%   net--New network
%    tr--Training record (epoch and perf).
%     Y--Network outputs.
" j0 L$ N/ v; ]$ e0 w9 w7 b%     E--Network errors.
. @0 {0 U  w" w+ I- ?4 j  c0 f( K[net,tr,Y,E]=train(net,p,t);
5 Q! Z" ]6 o- e%%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%
5 F0 X% d" k% B% input the testing points here %
7 B' s7 K2 d5 c) Ititle('神经网络训练结果');
* o1 o; }# o0 `6 Mxlabel('时间（天）');
  j( P! @4 l$ Rylabel('仿真输出结果');
legend('仿真模拟值','实际值','神经网络预测值');
5 E2 ?% @! N, k/ A  n, ?%%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
x=1:5;
y=1:5;
/ n; D6 U4 N7 Z' `4 py21=sim(net,p);
5 |' a- u! K* {6 Q' [3 _* \- ?6 zy2=reshape(y21,1,15);
- f' Y2 B$ w) Q! B$ ]9 Z/ Wclf
plot(r,y2,'b-^')
+ Z; X; B4 E( S$ [2 Z+ \9 {" B  ehold on
+ v" b) V6 b6 [! B5 E, w2 K& |plot(1:20,day,'r-*')
5 N3 W7 ^. D, j, U4 ?7 C- J%%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%
y3=sim(net,h3);
1 ~! d# t4 I7 Z8 N/ L  B1 `0 D' X2 jplot(21:25,y3,'-*')
$ S$ g# b' {1 |% j' S; \hold on
' d, E) X! T' E9 [4 e7 S$ Htitle('神经网络训练结果');
  g: Z7 D* X" \9 E  exlabel('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 %%%%%%%%%%%%%
x=1:5;
- p( m. w. Z$ a: \- u0 P! }/ ky=1:5;
plot3(x,y,E(x,y))
5 e7 w9 W0 T5 {/ x
0 v- K$ b# S' d- K

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. clear9 F; H1 ^, T2 n( c, }2 T1 M
   
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];# M* C+ @% r/ j\" Z9 S* O, F: h
   
3. dayhistory=day(1:20);%取其中三十天作为历史数据样本9 U, A/ D/ I\" W4 c3 K0 ^- w
   
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- j! C8 x  n. w- [. }! V
   
5. dayday=day(1:15);% 取其中的前25天
   ' J2 e# ~; d$ v6 l( F3 F
6. daypost=day(6:20);%取其中的随后25天
   . W! R$ `. H\" F' a, _' 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
   / a* R* V0 Z1 e4 A' g; P1 F$ v$ `
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 ?; y# X* n8 x
9. daylast=day(16:20);
   ( {8 L. q/ G4 s' X- O% f1 r
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
    2 _! K, R) u/ t; x4 k
11. r=6:20;1 K# C5 x3 D4 B& v: A' ^
    
12. rr=reshape(r,5,3);
    ! l+ \2 M/ y$ e7 q' S6 {
13. %%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%/ x; {# K# ~3 B7 g) H% v% U- f- H
    
14. net=newff(minmax(p),[5,3],{'purelin' 'purelin'},'trainlm');$ w/ Z9 e) s9 N+ o4 i1 _
    
15. y1=sim(net,p);& e, B0 h  l, C+ E
    
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$ B0 J3 ], U8 {1 a
17. % 两层的传递函数均为purelin' d9 ^* t  _! }; L1 i% C
    
18. % 训练函数为trainlm& f& S7 L9 i3 y; Q6 z$ V
    
19. % 所训练的网络大小为[5,5]+ s1 j$ K: Y  L$ l
    
20. % 仿真训练前的网络
    5 u# p$ y: H/ T5 q% e, _
21. / o+ Q) E\" M) a; \& U# X( U
    
22. %%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%4 w) a3 A0 g0 U- S
    
23. % network parameters:
    0 S& O0 J; i) Y
24. %   epochs--epochs of the train1 G4 S% h% ^+ }/ {& S& M
    
25. %   goal--errors goal of the network8 c: @; W  s: ]
    
26. %   lr--learning rate
      ^7 E1 A- N& ?: O/ h- `2 q+ `
27. %   shows--epochs between the displays' \* ?9 I+ b: D% y
    
28. %   time--Maximum time to train in seconds
    2 f* |6 @: H) S- P- x! ]
29. net.trainParam.epochs=200000;  % 训练次数* _; e& j& D$ y\" e2 t
    
30. nettrainParam.goal=0.0001;  % 误差期望值! h; e9 s: Q& ^( A& ~2 r( v
    
31. % returns of the train:
    ' u+ g2 N; U2 ^
32. %   net--New network: n0 G5 z0 X: m8 H$ {; I
    
33. %    tr--Training record (epoch and perf).
    $ B$ ^. H4 V5 E
34. %     Y--Network outputs.
    / I/ ]9 G, ^- H
35. %     E--Network errors.
    $ k( O3 O% a4 k$ m5 q\" j
36. [net,tr,Y,E]=train(net,p,t);
    ! I3 a- \; Y; \/ E
37. %%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%
    8 I8 H* d\" v+ t' M
38. % input the testing points here %; F& o( Q: v$ W
    
39. title('神经网络训练结果');
    7 e$ ~* s, D; i2 J
40. xlabel('时间（天）');5 {, l2 j% L6 Q' c
    
41. ylabel('仿真输出结果');
    - Q# l& M) W6 w( F& \
42. legend('仿真模拟值','实际值','神经网络预测值');( i! c6 O7 v9 ^
    
43. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
    * k! o( N8 r6 ]8 x8 j
44. x=1:5;( _$ h$ S! \) g, U
    
45. y=1:5;4 z: i* m6 {/ @\" t+ X
    
46. y21=sim(net,p);! f7 h0 W3 N9 c; n( o) L. |- N- k
    
47. y2=reshape(y21,1,15);
    & q' y2 i$ v8 ^% [9 c
48. clf. `) [$ Q: y: I5 Y
    
49. plot(r,y2,'b-^')
      t/ e, @/ X! B5 c5 @3 g5 y
50. hold on/ G1 P( W6 h# w* H
    
51. plot(1:20,day,'r-*')
    : }/ ^6 t- ?7 h7 D
52. %%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%4 t! ^: T3 c/ Z, O
    
53. y3=sim(net,h3);
    3 v! M5 v1 T\" q
54. plot(21:21,y3,'-*')
    - w: a! l6 p* D; A7 r  @# [+ _+ O  i' _
55. hold on. R% Q\" h+ p. ~9 P
    
56. title('神经网络训练结果');2 }/ _9 |1 N. F, G% `7 Z
    
57. xlabel('时间（天）');3 V3 O0 c  U\" m+ g2 {
    
58. ylabel('仿真输出结果');\" _7 \* E, ~; \- B
    
59. legend('仿真模拟值','实际值','神经网络预测值');  w+ o0 p4 S# E: j
    
60. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
    ) |\" c/ G. V% @% \
61. x=1:5;8 A* g2 C0 i2 l9 s% ^4 D0 q
    
62. y=1:5;' {! z% v& {+ @( \, V9 B/ `
    
63. plot3(x(1:3),y(1:3),E(x(1:3),y(1:3)))

复制代码