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];
dayhistory=day(1:20);%取其中三十天作为历史数据样本
2 m3 S4 a" J9 G, ]5 q4 L4 Ddayhismod=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
daypost=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
. Q& w. E; W1 i9 Xt=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);
+ j  t- v4 l8 E: o7 X# {2 T5 J, ]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
r=6:20;
rr=reshape(r,5,3);
%%%%%%%%%%%%%% 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
& B1 D% u, w0 _5 S; R/ y% 训练函数为trainlm
: R: k  S  B2 ?# q% 所训练的网络大小为[5,5]
% 仿真训练前的网络
+ ~" X5 Q# n0 ]2 e$ `
. ]  C7 c7 S4 x%%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%
% network parameters:
7 f; U) V7 d$ E& k6 t2 _; W%   epochs--epochs of the train
* i. U4 H, y  N. Y- s%   goal--errors goal of the network
%   lr--learning rate
%   shows--epochs between the displays
, t5 j2 [  [4 ^. a: y% Y6 m6 N% ?%   time--Maximum time to train in seconds
+ W" c: A2 x' u" ynet.trainParam.epochs=200000;  % 训练次数
nettrainParam.goal=0.0001;  % 误差期望值
% returns of the train:
%   net--New network
. h- P  y" W& M%    tr--Training record (epoch and perf).
6 t8 \! q' }2 U%     Y--Network outputs.
%     E--Network errors.
[net,tr,Y,E]=train(net,p,t);
%%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%
0 z; v7 z+ W8 t. V! ~1 {! M+ n% input the testing points here %
, ?. b) x: T0 P* g+ J: }# `# ?# Xtitle('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 %%%%%%%%%%%%%
; e( N' [( L1 X* kx=1:5;
/ A5 \8 I' V) M! A& u. Z& E) Ny=1:5;
y21=sim(net,p);
4 s* F) M" S% ^' R, Ay2=reshape(y21,1,15);
clf
. Z* m. S! \3 r5 R" M3 I) X+ {plot(r,y2,'b-^')
& f8 p  d  s. m1 D# d, p9 R. Dhold on
" L; O2 R, `6 a2 n2 Kplot(1:20,day,'r-*')
: r; n) u; z8 G%%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%
" G9 d3 Y4 M6 s0 T- ]y3=sim(net,h3);
plot(21:25,y3,'-*')
" F( ?# f& N- u, |) o0 r' Whold on
: s/ p/ T4 V  Y0 u8 g- F$ ]6 Gtitle('神经网络训练结果');
xlabel('时间（天）');
8 u' C: H9 F9 z! d+ rylabel('仿真输出结果');
  J5 ^2 n. ^5 D5 J2 I! K0 |legend('仿真模拟值','实际值','神经网络预测值');
%%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
1 \( V0 _0 i6 T5 Lx=1:5;
7 x# f7 m6 T; Y: v1 q# D5 k# Y' ey=1:5;
3 ~8 v8 A; a8 }1 M( mplot3(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& N9 N# u$ j6 b9 z2 @\" K/ F\" \
   
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# R: `! D2 L1 l' D' X\" v7 V5 l5 k
3. dayhistory=day(1:20);%取其中三十天作为历史数据样本
   ( k  m$ M2 \+ Z# `
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 Z2 b$ o- k\" Y\" M5 O4 n
5. dayday=day(1:15);% 取其中的前25天  |4 K2 T! w& X0 _0 M2 U
   
6. daypost=day(6:20);%取其中的随后25天+ d% i2 f. g0 j/ |
   
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' U9 J5 S0 w; t4 o3 }
   
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: _. O& G5 X7 H/ `, w/ v
   
9. daylast=day(16:20);, L6 F! k: F+ Q
   
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 F# J6 w% f0 w/ T, `- S8 ?5 _
11. r=6:20;
    6 ~% a- l. Y0 i9 [& k4 \1 f
12. rr=reshape(r,5,3);7 C) I) b3 v; J$ d6 t/ E+ s
    
13. %%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%% a/ Y5 j& c8 h# L
    
14. net=newff(minmax(p),[5,3],{'purelin' 'purelin'},'trainlm');% s\" m\" ^: t+ Z' N6 H5 B
    
15. y1=sim(net,p);
    9 [6 N& J: o6 d
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
    / H% P: R. S* t0 S\" [( {+ D
17. % 两层的传递函数均为purelin9 a: i* z, T/ }; R1 b; T
    
18. % 训练函数为trainlm$ W* l# b! {6 F: D5 J\" x$ y
    
19. % 所训练的网络大小为[5,5]
    7 X# t( }1 f* R/ |, B
20. % 仿真训练前的网络8 c7 a+ L& F& V0 p& e
    
21. 
    & v. c8 K+ v4 n! T. l# i
22. %%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%4 J* }) l0 P4 ?3 F
    
23. % network parameters:* g. o! M' [4 ?! j$ _$ B
    
24. %   epochs--epochs of the train
    ' Q: P) L; q- @1 s7 O: k; o0 \6 l
25. %   goal--errors goal of the network
    , h, \- T' F  v: k  ^3 J
26. %   lr--learning rate
    4 U3 z# o( M% N
27. %   shows--epochs between the displays
      o) q. |0 [/ J+ |6 E& z
28. %   time--Maximum time to train in seconds
    9 p; _8 U* P1 N, r) a! ~
29. net.trainParam.epochs=200000;  % 训练次数/ G7 r; g8 R, d* J  H
    
30. nettrainParam.goal=0.0001;  % 误差期望值
    9 \: E% ~\" ]: L9 F3 x. T
31. % returns of the train:4 Q/ _  N6 @7 A\" ~% u
    
32. %   net--New network
    ; [+ e/ a0 k# ?\" n) A/ }8 O\" G\" \
33. %    tr--Training record (epoch and perf).
    . f2 b7 b7 @( Q0 f$ _2 _( i2 A
34. %     Y--Network outputs.7 w4 A\" l) X6 u( t7 W; L; u
    
35. %     E--Network errors.
    $ y# w5 Q/ I; S+ z* t4 t
36. [net,tr,Y,E]=train(net,p,t); \" s# q. W4 l6 @2 c8 |
    
37. %%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%0 P* j$ u4 N6 ^- `, [/ q  a: _# N
    
38. % input the testing points here %4 ~0 i% O4 {! L  g- Y\" k
    
39. title('神经网络训练结果');1 |, {\" L. }\" p$ s
    
40. xlabel('时间（天）');
    : O4 q5 _7 y) Y- P4 a
41. ylabel('仿真输出结果');
    & l+ f' y& x' c7 \
42. legend('仿真模拟值','实际值','神经网络预测值');2 ?1 ^$ N4 S# ]8 Z4 a/ }
    
43. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%+ @* @2 s. i% i$ C
    
44. x=1:5;+ e# ~' C) @! Q4 c, X
    
45. y=1:5;
    5 A7 R  N6 R4 ^) ]( z8 o9 a
46. y21=sim(net,p);& r3 B: }6 H2 o2 ^9 t
    
47. y2=reshape(y21,1,15);
    , ^3 x, g/ Y, w8 k
48. clf
    5 t7 G: e2 {' B
49. plot(r,y2,'b-^')
    : w9 [  o0 e$ {7 j2 K' V8 X
50. hold on
    8 D+ s3 R/ ~9 s% v& ~; L: e4 q
51. plot(1:20,day,'r-*')- c+ t. c+ [- K/ S5 |4 p( u
    
52. %%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%
    8 e\" B$ i) H. X. A\" T$ L
53. y3=sim(net,h3);
    3 M7 Z6 g4 t- c& \6 I. m: `
54. plot(21:21,y3,'-*')7 q6 s2 e; F! Q; ]/ p
    
55. hold on
    6 }% q* h  ?( E! ~3 v2 p
56. title('神经网络训练结果');
    0 m9 I* f6 e+ \& a% m
57. xlabel('时间（天）');: X9 a\" v2 `. q8 j* J/ g8 F
    
58. ylabel('仿真输出结果');
    . ]  I( d( P0 V' P9 y! z3 W
59. legend('仿真模拟值','实际值','神经网络预测值');
    ( T- j( f, m; c( A
60. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
    ' R. j8 R# w! s2 W4 \/ m! f9 S( {
61. x=1:5;0 F- B3 v& {\" p6 @- g' T: {
    
62. y=1:5;% L- i0 P+ A/ q' @( Z7 P
    
63. plot3(x(1:3),y(1:3),E(x(1:3),y(1:3)))

复制代码