请问这个代码错在哪里，如何进行修改，谢谢

昌辉9

clear
! B$ E2 @7 }! b9 p% w7 mday=[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];
6 M! ?9 D0 H& f/ o. O8 Idayhistory=day(1:20);%取其中三十天作为历史数据样本
3 H% W, E* D- S: E. |6 xdayhismod=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
5 {4 P2 ]+ b( Y9 `dayday=day(1:15);% 取其中的前25天
; J0 h& |+ ]. q; R( }$ o: {daypost=day(6:20);%取其中的随后25天
8 b  b( }, Y) {5 O# z7 W* l4 {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
; P8 \& ]+ O: [+ T+ d0 b6 ^; qt=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
+ y; u& u- ^! |1 Z+ A& U, Zdaylast=day(16:20);
# Y+ T! }, ?' I- z/ d3 Oh3=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;
3 b- E( m, ]* r8 u& M% u& prr=reshape(r,5,3);
7 s* l3 l! ~; j/ G- l: g+ p! j, ~%%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%
$ a1 v* I1 L: u, i# b6 k7 Tnet=newff(minmax(p),[5,3],{'purelin' 'purelin'},'trainlm');
8 w/ {5 D* A1 c2 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
% o1 T5 X9 [  L: d, m9 n% 两层的传递函数均为purelin
% 训练函数为trainlm
* K' `# f+ F3 f' [% 所训练的网络大小为[5,5]
% 仿真训练前的网络

%%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%
8 G' |1 E4 b' l8 J% network parameters:
8 \: q8 \1 K- p: M1 A%   epochs--epochs of the train
2 r+ t" G1 n$ C8 }6 M  Z3 j8 p3 p7 s; s%   goal--errors goal of the network
%   lr--learning rate
) @5 C& x. {( ~! m: l' u# V%   shows--epochs between the displays
%   time--Maximum time to train in seconds
net.trainParam.epochs=200000;  % 训练次数
- {; f7 h" Q4 `0 p$ a0 b% Q( b# MnettrainParam.goal=0.0001;  % 误差期望值
  x2 `" \& M" \  g& S% returns of the train:
4 G; A( j7 \& S+ ~: P%   net--New network
%    tr--Training record (epoch and perf).
%     Y--Network outputs.
5 q; L$ Q) e1 H3 d. R" W# T%     E--Network errors.
7 R/ j7 j. U' x$ ]8 Q3 M1 @[net,tr,Y,E]=train(net,p,t);
" `% k% S6 Y3 T. b  ^! k) Y. N%%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%
% input the testing points here %
title('神经网络训练结果');
% A! A3 T8 U7 f# D6 x% bxlabel('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;
y=1:5;
) k; Z# x& U" H! L  ky21=sim(net,p);
y2=reshape(y21,1,15);
clf
+ h8 S7 F3 i  `( q. ^4 e, [plot(r,y2,'b-^')
& T( @& o/ E. z  h5 X/ lhold on
; P! |( |) P8 p9 z, _plot(1:20,day,'r-*')
%%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%
y3=sim(net,h3);
; B4 \( h' M9 X) k& Tplot(21:25,y3,'-*')
5 C1 D7 m& f0 b5 ?  j4 Thold on
! f! D" W3 G+ C4 R  Dtitle('神经网络训练结果');
: ^' Z# V1 `5 A$ n3 q- ixlabel('时间（天）');
5 y" N  y% t: t9 x+ Gylabel('仿真输出结果');
legend('仿真模拟值','实际值','神经网络预测值');
. W4 W( K& a6 ]$ x* u1 g%%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
! {! l4 W* D/ Rx=1:5;
. E, S/ P9 t6 y: q) L- Sy=1:5;
3 X; Q8 V7 \) b  ]1 tplot3(x,y,E(x,y))
- q6 X9 ]; Z* {% B7 q- q

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
   # g: W\" X: P6 K) N' 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];$ q. O' ?9 G* F! y  M) V
   
3. dayhistory=day(1:20);%取其中三十天作为历史数据样本
   $ B( R3 I* J, p
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/ @1 p/ E) Y  b2 P- L2 {
   
5. dayday=day(1:15);% 取其中的前25天! ], t+ E2 A: p- J0 a
   
6. daypost=day(6:20);%取其中的随后25天* r' m3 e0 J3 z8 ^' p5 }6 n
   
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/ }9 T) J, c/ r' P9 l0 |9 \
   
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
     H+ @: X2 A) y. K\" A# h
9. daylast=day(16:20);% ^1 d, {7 L4 ]\" M% t( k
   
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, K( M, {- F% ?  z. G/ C7 v+ r
    
11. r=6:20;6 n- _2 i( J# V\" h0 w+ |
    
12. rr=reshape(r,5,3);* W$ m: H! g( z# ?
    
13. %%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%
    ' f. ]$ m6 C, F
14. net=newff(minmax(p),[5,3],{'purelin' 'purelin'},'trainlm');8 T9 g+ I) e- W* L
    
15. y1=sim(net,p);
    9 q) g) J- {; y% X, O& 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
    3 ~( l, y+ F/ o  h$ u5 `
17. % 两层的传递函数均为purelin+ d0 S8 m8 X% C* o
    
18. % 训练函数为trainlm
    3 ~3 r+ Q* y/ k, }/ N
19. % 所训练的网络大小为[5,5]+ ^' _0 d7 b% J1 C% V- k4 z
    
20. % 仿真训练前的网络
    6 ^& f  U* s# Z- f3 d* b
21. 
    \" w$ F2 N. U  @9 O0 a
22. %%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%
    6 q' D# h  T8 `\" i1 O8 n
23. % network parameters:
    / \4 ~2 S+ [; Z5 ]
24. %   epochs--epochs of the train* R8 i' ^: A; B1 ?& i
    
25. %   goal--errors goal of the network
    4 K  L\" d- k+ z6 R$ m7 u
26. %   lr--learning rate
    0 J! V# _  p( ]9 S% X
27. %   shows--epochs between the displays! z( d! B0 A5 d# z! K, Z% J( p
    
28. %   time--Maximum time to train in seconds
    5 [* J: t# j0 j! ?- @5 i9 p
29. net.trainParam.epochs=200000;  % 训练次数. e7 s- q* S6 X6 P0 S+ L, }  H
    
30. nettrainParam.goal=0.0001;  % 误差期望值9 h3 |6 `- }$ @
    
31. % returns of the train:) c2 H. e* W\" w
    
32. %   net--New network  d\" N, V4 ^5 j9 F0 z/ z% x
    
33. %    tr--Training record (epoch and perf).
    ) K$ G) {/ F# r8 H\" X1 V) x
34. %     Y--Network outputs.
    & b3 s4 \9 Q) k: M% e$ `; E
35. %     E--Network errors.
    ) ]- ]7 x' b- @
36. [net,tr,Y,E]=train(net,p,t);
    # W8 r- q$ O1 U8 N) Q
37. %%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%
    / F5 I. U) O1 t# k
38. % input the testing points here %
    * G8 K3 d. V% q& \2 Y
39. title('神经网络训练结果');- s1 z  f2 o* A
    
40. xlabel('时间（天）');
    2 {! x6 X+ X3 B6 k' h
41. ylabel('仿真输出结果');! ^3 L+ H1 s6 B+ ?8 h9 m3 h/ P3 S
    
42. legend('仿真模拟值','实际值','神经网络预测值');
    1 c, Y* Z* S; G9 B8 J  x9 _! K
43. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
    & Z! c  ]! R/ m5 H) P
44. x=1:5;3 }- y5 s5 {% V
    
45. y=1:5;( F, r5 {8 _5 |8 E/ d# O
    
46. y21=sim(net,p);5 H+ c6 M! t5 s) ]' d
    
47. y2=reshape(y21,1,15);6 t8 t/ c0 c/ @3 H\" o\" E
    
48. clf. ~' R\" b+ t1 r% r$ }
    
49. plot(r,y2,'b-^'), e; I  n2 K) q0 e, p
    
50. hold on
    \" W1 _: W# E5 E& f0 t+ Y6 S3 C
51. plot(1:20,day,'r-*')4 s% R* s* f$ u) O; L; R) f
    
52. %%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%
    & t4 E( e9 C/ j2 g2 P3 D0 {% ?
53. y3=sim(net,h3);7 Y% g/ u+ y) K+ ~' R; e! K, X/ J
    
54. plot(21:21,y3,'-*')
    / ~% \( X6 ~3 L! O5 K& f
55. hold on# M! d! e$ m6 k
    
56. title('神经网络训练结果');
    4 _6 w7 N2 x8 d
57. xlabel('时间（天）');
    - p* C\" y0 Z, G( U! q& y. c
58. ylabel('仿真输出结果');$ Q0 K8 _( K. j# h8 u- L
    
59. legend('仿真模拟值','实际值','神经网络预测值');
    / {9 d; l2 F2 _+ e
60. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
    ; D' D. {3 W% W% M* U
61. x=1:5;' `  }' @0 O. p\" g  h! G: W
    
62. y=1:5;
    * j9 R5 ?9 l! Z+ ~
63. plot3(x(1:3),y(1:3),E(x(1:3),y(1:3)))

复制代码