请问这个代码错在哪里，如何进行修改，谢谢

昌辉9

clear
/ ~* O, L# x: P& Vday=[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];
! c( A. ]9 k8 I/ zdayhistory=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
! g1 e3 h9 K% P3 Odaypost=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
2 `+ W& b; X* y: Pt=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
! E# H6 G2 P7 a( P' Vdaylast=day(16:20);
6 c3 g' y  m6 O3 Z8 j1 c" hh3=reshape(daylast,5,1);% 将倒数第二个样本作为网络测试时的输入样本
4 V, G3 z! `/ t* gr=6:20;
rr=reshape(r,5,3);
1 E2 a) ~" o0 L# K%%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%
6 d: U* L4 X* Z  {4 Snet=newff(minmax(p),[5,3],{'purelin' 'purelin'},'trainlm');
2 b$ q" Y( }5 @  ~) f/ ky1=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
# J8 |! N4 P# R5 y% 两层的传递函数均为purelin
% 训练函数为trainlm
; V  R6 }5 q3 y% h* z% k/ h) l% 所训练的网络大小为[5,5]
6 ^6 O3 i/ b3 ]% 仿真训练前的网络
* ^3 |! [) G. p9 R7 B( y, \
%%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%
% network parameters:
%   epochs--epochs of the train
%   goal--errors goal of the network
; V9 x9 K$ U0 \7 O0 E5 H/ O. |%   lr--learning rate
%   shows--epochs between the displays
%   time--Maximum time to train in seconds
net.trainParam.epochs=200000;  % 训练次数
nettrainParam.goal=0.0001;  % 误差期望值
4 T6 W$ C3 c5 W. I, i8 L& s% returns of the train:
%   net--New network
%    tr--Training record (epoch and perf).
/ v( m4 G( _& P1 P% |3 F, V# n" d%     Y--Network outputs.
# A* ]  j) d, l4 G' c( `%     E--Network errors.
[net,tr,Y,E]=train(net,p,t);
) w( j8 h' y9 U! S2 F%%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%
% input the testing points here %
title('神经网络训练结果');
xlabel('时间（天）');
* K( ?! W, {; E3 q" _7 F: E  `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;
9 i* d! \/ j! r5 N2 \9 Sy=1:5;
y21=sim(net,p);
) F& B' n- P4 Y4 U8 dy2=reshape(y21,1,15);
6 |- M3 \! i+ r7 g# l' t" b& E+ e, Lclf
5 _1 i0 u# ~5 ~% v0 jplot(r,y2,'b-^')
$ ?) M1 D3 L8 M3 nhold on
+ P' A8 q  H! A+ @plot(1:20,day,'r-*')
%%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%
y3=sim(net,h3);
plot(21:25,y3,'-*')
hold on
& ~! V3 V: g. v7 R+ {title('神经网络训练结果');
! {  ^, t4 M/ S( c  }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 %%%%%%%%%%%%%
; i+ T1 o' f( @- |x=1:5;
y=1:5;
3 T; `6 P& R2 Gplot3(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
   % F2 X' k+ V+ u\" J
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];' b7 H# L9 t4 ]\" Q8 y
   
3. dayhistory=day(1:20);%取其中三十天作为历史数据样本
   : r$ y\" [. {4 D2 p# U. i4 }* f
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
   ; |2 v8 y& D9 P( q# ~! e2 A- x% N
5. dayday=day(1:15);% 取其中的前25天% _' F0 _' X$ S\" \  d
   
6. daypost=day(6:20);%取其中的随后25天
   / _! O\" ~* `5 c% o7 K5 G
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
   ( L. _; A, h! \4 E7 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
   / r# H/ B! d( G/ h\" f
9. daylast=day(16:20);
   5 b  O9 T' c/ ^+ S7 l
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# A, H) d! z0 W
    
11. r=6:20;
    5 X\" r7 K9 Q+ q2 \4 l# T
12. rr=reshape(r,5,3);/ U6 k  N1 J$ n+ E4 d* g( \\" s
    
13. %%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%7 ]( h6 u; x% I% Q8 q; Y
    
14. net=newff(minmax(p),[5,3],{'purelin' 'purelin'},'trainlm');! J( x3 I. G1 q
    
15. y1=sim(net,p);
    ) `\" D* ~4 ], R0 L: O. n' [- I
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/ V$ q) F! z. o' y% Z$ R
    
17. % 两层的传递函数均为purelin
    5 J* k' L% ?\" v/ l
18. % 训练函数为trainlm# \7 g# _/ A3 z; |; G$ x2 P/ [% S
    
19. % 所训练的网络大小为[5,5]3 @2 ~2 ^2 A7 {; o5 d# g
    
20. % 仿真训练前的网络
    5 h5 ]4 o% J# @  J: M+ b' n  z. ~
21. 5 P# m* B$ u2 z) j0 t
    
22. %%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%/ u' D8 e/ P\" I5 p& K4 H' L
    
23. % network parameters:9 |8 m$ O9 z\" j6 \$ t
    
24. %   epochs--epochs of the train
    + w; f: Z( y1 B# {* H
25. %   goal--errors goal of the network
    % G4 {% G6 x- b# r
26. %   lr--learning rate
    + D  g( h5 b: C
27. %   shows--epochs between the displays
    $ Y5 |) T$ @# n. N6 W
28. %   time--Maximum time to train in seconds$ G; ^5 l5 ~0 B
    
29. net.trainParam.epochs=200000;  % 训练次数! J9 X6 I$ d' v% t5 z- s% ^
    
30. nettrainParam.goal=0.0001;  % 误差期望值9 B  J. h: o. m- ]2 T  [/ I# T
    
31. % returns of the train:
    4 D) G* t( h% r5 S( K, n/ I  k' r
32. %   net--New network
    % C. |  q, s2 |* h' U' K* ^' i
33. %    tr--Training record (epoch and perf).* n% z9 \% T+ @# ~9 b: C1 x0 }
    
34. %     Y--Network outputs.
      P$ m1 |\" P+ {! }: T
35. %     E--Network errors.
    - I  _- h! a+ h: H, x* z4 K& x
36. [net,tr,Y,E]=train(net,p,t); ) v1 K5 h3 Y5 u
    
37. %%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%' }, P0 ?1 C. r$ f& h3 E
    
38. % input the testing points here %3 _8 g3 {& @( S' y$ y0 A
    
39. title('神经网络训练结果');
    1 r1 `1 ^' X& X7 d8 `/ @6 E! H
40. xlabel('时间（天）');
    ) ?) F9 Y6 k# N6 i6 i, R5 A+ g
41. ylabel('仿真输出结果');
    , n! @( C0 C\" g& }1 b/ k$ W
42. legend('仿真模拟值','实际值','神经网络预测值');5 C, |1 Q7 D) [4 B
    
43. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
    - `( G- {7 d- |
44. x=1:5;
    6 l; m! |6 E7 O% X6 @
45. y=1:5;
    ) K0 k6 b+ K5 j
46. y21=sim(net,p);
    / M+ d9 \3 b+ z
47. y2=reshape(y21,1,15);# L6 \1 z- R2 V& C
    
48. clf% ]. y* M! a6 k: t6 ?8 \
    
49. plot(r,y2,'b-^')
    - M- f; u4 u( _
50. hold on
    7 u0 R4 H4 F3 R5 q
51. plot(1:20,day,'r-*')7 S6 @# v2 W& ~, |' y+ F
    
52. %%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%
    ' a% A+ _. u$ Y  B& i  o
53. y3=sim(net,h3);' z$ u3 m  J) a  a1 d+ `
    
54. plot(21:21,y3,'-*')
    , y/ k# \& \, H8 E  \
55. hold on
    4 n5 s$ d& G5 Z% [7 a2 h( N
56. title('神经网络训练结果');
    $ n3 ?' G. @: [
57. xlabel('时间（天）');
    . _\" N7 A\" l0 e3 A; M
58. ylabel('仿真输出结果');0 F! y4 ?  c+ A6 m! w4 O
    
59. legend('仿真模拟值','实际值','神经网络预测值');
    5 k' w/ `2 t5 A! g
60. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
    & @# k; _* W5 D5 h5 r8 c
61. x=1:5;
    8 H: B2 ]: K+ [4 z  A1 ^
62. y=1:5;- G\" D9 g! H% B1 y$ s& ]3 c
    
63. plot3(x(1:3),y(1:3),E(x(1:3),y(1:3)))

复制代码