请问这个代码错在哪里，如何进行修改，谢谢

昌辉9

clear
/ e2 {$ ^/ u/ E' ]/ G0 |4 _6 d' v/ [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
5 S  `3 W: j3 U4 Q% Adayhismod=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
7 |5 K5 l; V4 ^$ K8 `. h# j% k9 hdaypost=day(6:20);%取其中的随后25天
: \: g0 p+ l" z4 r/ Y& A( d2 R# tp=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
6 d  ~) l# m; T9 f4 J  r- Vdaylast=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
& }4 d+ j& ]; v5 G* J# @r=6:20;
rr=reshape(r,5,3);
3 M0 X9 F5 v% R! n% I* J%%%%%%%%%%%%%% 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
( v! E( y, x) W; L! N% 两层的传递函数均为purelin
% 训练函数为trainlm
" s) m# G1 S1 U% 所训练的网络大小为[5,5]
% 仿真训练前的网络
! ?; X% Y4 f% K, E
%%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%
) C; W9 a) G" o. K/ z% network parameters:
%   epochs--epochs of the train
%   goal--errors goal of the network
8 d! H& i7 r$ n%   lr--learning rate
! A( M* r% M$ O! k7 o%   shows--epochs between the displays
% H, J* Y8 e# }3 Q% c%   time--Maximum time to train in seconds
net.trainParam.epochs=200000;  % 训练次数
+ {  d2 T' @2 u0 y- K& d" K3 ~nettrainParam.goal=0.0001;  % 误差期望值
% returns of the train:
%   net--New network
%    tr--Training record (epoch and perf).
- h2 P0 H  Q) \$ _% ?: O' F%     Y--Network outputs.
  c7 ]/ l2 u0 z# y; ~+ f%     E--Network errors.
6 k! G: Z1 b6 L7 o: m[net,tr,Y,E]=train(net,p,t);
%%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%
% 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');
9 O/ X$ A: O# S0 B: [2 Slegend('仿真模拟值','实际值','神经网络预测值');
%%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
x=1:5;
y=1:5;
6 \( m: v( u9 w$ q( z, O, Cy21=sim(net,p);
y2=reshape(y21,1,15);
1 O" D! G' M  g  V7 z9 c2 jclf
: n; N; B" q4 L2 ~2 D* A) s! b4 wplot(r,y2,'b-^')
hold on
plot(1:20,day,'r-*')
%%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%
y3=sim(net,h3);
plot(21:25,y3,'-*')
# x8 j, j' a$ q" A  D; h1 Z4 thold on
' n$ S( }. u$ b  dtitle('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 %%%%%%%%%%%%%
x=1:5;
) Z* }- B5 `# w  X/ X& jy=1:5;
plot3(x,y,E(x,y))
( J, {$ L  d4 Q" ?) n
9 f0 t2 H6 N4 i8 T6 C

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
   ( D/ f' O* Y5 m/ ^8 ~$ _2 R; m$ R+ |
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];8 o9 R( {) M! u1 x! u) u
   
3. dayhistory=day(1:20);%取其中三十天作为历史数据样本
   # P( [) D2 Z1 O% J
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\" K( O9 A# a& l! E# N+ B+ m2 A
   
5. dayday=day(1:15);% 取其中的前25天1 f, Y& k4 V) A6 d6 F\" Z0 \
   
6. daypost=day(6:20);%取其中的随后25天
   ) S9 n  }+ N) F! M# u/ D
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+ O! ~; `0 ?) S+ T. 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4 I- k/ h% R+ A7 \1 K8 a% I' A
   
9. daylast=day(16:20);\" x\" ?3 G3 g+ i- ~3 X  E- ]8 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
    3 c% n6 z5 r\" Z1 Y
11. r=6:20;\" U7 W7 i7 G2 r2 U8 F. c& J1 {
    
12. rr=reshape(r,5,3);\" o4 Y5 ^: p8 S+ I
    
13. %%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%/ j' k3 o8 W1 s' ^( ]9 b& N# W. J+ X
    
14. net=newff(minmax(p),[5,3],{'purelin' 'purelin'},'trainlm');$ x* l  \! A1 E
    
15. y1=sim(net,p);1 d2 [8 \8 w: F
    
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
    5 q; c) o  f4 F2 f7 i
17. % 两层的传递函数均为purelin
    \" o+ J+ g8 ^* B
18. % 训练函数为trainlm' m! `1 G8 w9 r7 a
    
19. % 所训练的网络大小为[5,5]
    & C9 s, e$ @6 w\" }5 Q
20. % 仿真训练前的网络
    5 H* I! H) r& R  m4 e. Y
21.   Y. r3 s# J\" o- _- f
    
22. %%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%\" H+ K# a2 k# t; Z
    
23. % network parameters:
    8 `+ _. _% p6 ?9 [/ r
24. %   epochs--epochs of the train* \6 t* j7 k4 V: J
    
25. %   goal--errors goal of the network
    ( _$ {/ W$ X# \( F\" A- U5 R
26. %   lr--learning rate
    / H( W2 i$ U' i- J5 c
27. %   shows--epochs between the displays
    \" E  I& a: K1 O, P5 I- y
28. %   time--Maximum time to train in seconds' @$ D0 g- D1 t\" {
    
29. net.trainParam.epochs=200000;  % 训练次数
    % k7 {, v' s9 E
30. nettrainParam.goal=0.0001;  % 误差期望值  V\" K4 Q, H2 ~  @2 f+ `5 W/ Y
    
31. % returns of the train:& U. _( L& f. w% ^4 c6 a( X
    
32. %   net--New network
    . D  Y& x0 s5 p# v, c
33. %    tr--Training record (epoch and perf).
    ) E! i2 r0 [) h\" Y, A3 Z
34. %     Y--Network outputs.
    ( m  d5 I' z. m9 S# _3 }8 z
35. %     E--Network errors.
    ; K& o6 M' ~) t9 f' s1 N9 z% a
36. [net,tr,Y,E]=train(net,p,t);
    + u- q\" ]6 F' ?, U+ H/ Y0 |8 f
37. %%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%) v6 n9 u2 S# e9 o% e
    
38. % input the testing points here %
    4 W+ M9 q\" X( n# `, q. O1 l* k
39. title('神经网络训练结果');
    ! ^. f* n: Y  H  {6 j. _+ ~4 w* `
40. xlabel('时间（天）');
    ; H  n3 B! e$ K; q
41. ylabel('仿真输出结果');
    ' O  \$ P  u4 i. H
42. legend('仿真模拟值','实际值','神经网络预测值');
    + c+ R1 l7 \' a5 S
43. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
    1 H! r! e- M4 Q3 I
44. x=1:5;2 a. F0 J\" z: _6 k  e9 o
    
45. y=1:5;/ L% @8 Y* O- E! k% V1 A
    
46. y21=sim(net,p);) M6 M+ ^$ v8 V0 q. y& P7 f
    
47. y2=reshape(y21,1,15);
    4 l7 [4 j2 w4 I/ s2 U0 `+ z& q
48. clf0 T7 C& e0 O5 l( a- |# m
    
49. plot(r,y2,'b-^')* d8 L1 y- Z+ _6 W( F
    
50. hold on2 E8 E8 ^; ^( D- h/ h0 g
    
51. plot(1:20,day,'r-*')5 }, ], c) e& n) ?/ R  ?9 p% O
    
52. %%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%. }2 l0 I: s; n. B  m
    
53. y3=sim(net,h3);7 Y3 \8 t: O8 j
    
54. plot(21:21,y3,'-*')% P0 V4 K\" j4 D, g
    
55. hold on1 T9 N6 E. _3 B$ c2 @  o) j2 n6 p
    
56. title('神经网络训练结果');* a0 w9 B' \7 l, _% |\" \
    
57. xlabel('时间（天）');' m8 j& S4 S  k& q4 `
    
58. ylabel('仿真输出结果');
    , o/ F* D, \; E  `. v  P
59. legend('仿真模拟值','实际值','神经网络预测值');
    0 k- S& v1 j3 h8 Y+ W. U4 M- M- ~& }. G
60. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%  I$ ?0 F! X  |\" r
    
61. x=1:5;% [& {4 A) d; K6 W. }
    
62. y=1:5;* ^- g/ U0 N, x/ F7 ^4 g( @
    
63. plot3(x(1:3),y(1:3),E(x(1:3),y(1:3)))

复制代码