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
7 a: [6 V: Z4 c' r; Qdayhismod=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 k1 m$ j# `5 n# x9 Tdayday=day(1:15);% 取其中的前25天
daypost=day(6:20);%取其中的随后25天
- _2 ~5 G# w+ _' P4 {/ @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
) p) a+ A8 ~8 e5 c' Ot=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
& M$ u/ Y! [2 J. P# Q8 R" _daylast=day(16:20);
% `3 t; Y* u- \  I! }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
* c* b& L5 A+ I! N1 \) {) f: \r=6:20;
rr=reshape(r,5,3);
%%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%
! \+ f0 A2 Y, cnet=newff(minmax(p),[5,3],{'purelin' 'purelin'},'trainlm');
0 U- r& a$ H4 H. Gy1=sim(net,p);
1 [6 Q( }% N* k1 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
) x5 N$ ]; B( Z4 p% 训练函数为trainlm
% 所训练的网络大小为[5,5]
( U, I6 H/ h% B/ N* [1 f% 仿真训练前的网络
  b6 e: g' u  V
' Q! U& d7 Q% C9 A, T%%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%
% network parameters:
%   epochs--epochs of the train
%   goal--errors goal of the network
%   lr--learning rate
" V0 ^# ~" c( X5 t' `; Z/ A$ M%   shows--epochs between the displays
%   time--Maximum time to train in seconds
net.trainParam.epochs=200000;  % 训练次数
1 P, d: E- Y6 y# ^) x6 i- FnettrainParam.goal=0.0001;  % 误差期望值
% returns of the train:
%   net--New network
%    tr--Training record (epoch and perf).
%     Y--Network outputs.
%     E--Network errors.
  S& y: n2 e, M: `% ~3 D( V[net,tr,Y,E]=train(net,p,t);
+ Y9 m: @9 g$ b9 m3 N' R: E* L5 ?%%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%
% input the testing points here %
/ G" i' U4 z+ d1 ctitle('神经网络训练结果');
' z2 q. h" G, J2 q2 \2 @! A1 _xlabel('时间（天）');
7 i& s& _' q- q! E1 j' {" ~& @ylabel('仿真输出结果');
; x& p* e6 p# E; _& j: v( Glegend('仿真模拟值','实际值','神经网络预测值');
%%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
  M' s9 D6 \: I  [4 k) xx=1:5;
* U4 Y( \" l# h9 D) |" oy=1:5;
y21=sim(net,p);
  c5 o, s; j+ v7 _0 dy2=reshape(y21,1,15);
+ T' b( V$ f% `$ lclf
$ @1 v. B8 u2 ?4 f& Hplot(r,y2,'b-^')
hold on
  X3 W; o/ `  a3 Fplot(1:20,day,'r-*')
%%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%
y3=sim(net,h3);
; G9 P* w" H, c" G3 n1 kplot(21:25,y3,'-*')
hold on
$ G3 c9 O& b6 V' W& r/ G. e: Wtitle('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;
: h, }. x  {: }y=1:5;
/ c- I9 ~- F! v% J) splot3(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. clear0 G& E% P- T- G0 b# Q* z& n3 u
   
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];
   # l3 G5 i( l6 l
3. dayhistory=day(1:20);%取其中三十天作为历史数据样本9 ]. `: O\" O% E& U3 ~- S
   
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
     {& j3 e+ d+ q, A6 O1 q3 M- }
5. dayday=day(1:15);% 取其中的前25天% G' Q& |; m. E, _( b2 h) k( k2 X1 v% W2 H
   
6. daypost=day(6:20);%取其中的随后25天
   3 H3 l  S; g; `# F) C  V\" 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1 U0 c5 N6 D\" X' w
   
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& \' O. Y, F: v
9. daylast=day(16:20);\" P: D! y2 K+ ~' _8 e\" s3 U3 b
   
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\" e' ^. R4 @5 l( n# _% T, V
    
11. r=6:20;
    : W$ _# A. _1 `  K6 r1 O
12. rr=reshape(r,5,3);
    8 c* N7 r& u3 z6 p
13. %%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%
    8 u. ~2 g2 J$ r' Z* Q# e, l; ?
14. net=newff(minmax(p),[5,3],{'purelin' 'purelin'},'trainlm');1 P' t7 X# P- n
    
15. y1=sim(net,p);) G8 _/ M+ d- D9 W- v& M; \9 W, x
    
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- z6 B3 e( ~: R\" j# D
    
17. % 两层的传递函数均为purelin
    6 t  e. r8 w6 g3 {* J3 L
18. % 训练函数为trainlm0 B1 I; K\" f+ N( H# D# F
    
19. % 所训练的网络大小为[5,5]
    9 w- z( j1 P/ \; b( n2 s# R. {
20. % 仿真训练前的网络
    - L8 H  t6 @3 B0 q
21. ; I( l/ Z6 A- h& I5 O) |
    
22. %%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%# F- ^. c: N; T- m9 w& m\" b4 G& I
    
23. % network parameters:
    3 t; j# F) ?$ z0 a\" D
24. %   epochs--epochs of the train9 C9 ~& \( C5 _8 l
    
25. %   goal--errors goal of the network6 h5 O. N$ s: T
    
26. %   lr--learning rate. x+ b\" |' I! i/ T
    
27. %   shows--epochs between the displays
    7 k; V& D1 E% j3 t) p! A# W
28. %   time--Maximum time to train in seconds0 @, d\" k8 t\" r5 i/ P/ Y; n, M
    
29. net.trainParam.epochs=200000;  % 训练次数# @2 W) X\" a! i. m  \
    
30. nettrainParam.goal=0.0001;  % 误差期望值# h. K  D. z& V; ^: ~
    
31. % returns of the train:2 E8 T0 t% s! U\" e
    
32. %   net--New network( E# ?; ^2 `+ u5 r
    
33. %    tr--Training record (epoch and perf).' |/ J; ?! s) i# C% ]: @, _) H
    
34. %     Y--Network outputs.7 N. g  V# F) N; X$ {9 V4 W
    
35. %     E--Network errors.
    6 W: c+ _4 h7 d, j
36. [net,tr,Y,E]=train(net,p,t);
      T  o8 I/ Q3 o9 b  E7 h
37. %%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%
    8 O% t: X& M% s- ^
38. % input the testing points here %
    & L2 I\" Y\" {1 p0 P/ `8 m
39. title('神经网络训练结果');2 ]- Y  p- w9 w2 m: o
    
40. xlabel('时间（天）');) w( f  z% j, t# A6 a. O4 ?5 J
    
41. ylabel('仿真输出结果');
    0 o8 P0 V; c, |9 c% N- O
42. legend('仿真模拟值','实际值','神经网络预测值');
    ) l, c$ u  _4 M) x3 ]! q* y
43. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%4 m: n% \' c7 p
    
44. x=1:5;
    + A\" Z' I+ m& R
45. y=1:5;0 f2 H; i5 t6 v: K' \9 a' t4 I4 O
    
46. y21=sim(net,p);
    + w* o: g5 |! }# T- U8 i, P, C- C
47. y2=reshape(y21,1,15);
    & |7 b5 u( n5 R8 W& y  L# R
48. clf
    . z2 i( M8 U\" y9 \( a
49. plot(r,y2,'b-^'): M, I* ]1 N. {4 M
    
50. hold on
    4 B- B& A' J# {1 T$ P2 O* m6 A1 n4 H
51. plot(1:20,day,'r-*')
    % g' _/ Z. h- R1 |# |/ l
52. %%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%0 f; W, J: N9 b8 ?/ d' ?: d
    
53. y3=sim(net,h3);0 x, G& ]1 n& i! d
    
54. plot(21:21,y3,'-*')
      u+ ^8 F6 q, p) V\" h
55. hold on( R7 N6 n. v# N+ F, A/ u  N; Z
    
56. title('神经网络训练结果');: C' E; K8 T* r
    
57. xlabel('时间（天）');; j+ s+ v5 U. v! A9 `\" {  |
    
58. ylabel('仿真输出结果');
      {3 V: i: s: h$ }
59. legend('仿真模拟值','实际值','神经网络预测值');
    3 D+ `& D' ]9 C, J
60. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%3 S! C6 |1 g  t0 [
    
61. x=1:5;! T3 A5 V' A) L0 h/ A  X- P
    
62. y=1:5;
    ) g! G3 @. ^3 C8 y3 U! V) w% q. |
63. plot3(x(1:3),y(1:3),E(x(1:3),y(1:3)))

复制代码