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];
8 @( n' q: z% K% a6 G; @! K2 G( N' odayhistory=day(1:20);%取其中三十天作为历史数据样本
) V2 E6 r7 ^+ @, vdayhismod=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
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
daylast=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
r=6:20;
rr=reshape(r,5,3);
; v8 d, `5 a4 U' {, {) h%%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%
net=newff(minmax(p),[5,3],{'purelin' 'purelin'},'trainlm');
; `! X! @% W: y" f+ e+ b4 a6 w0 Ay1=sim(net,p);
  K* {+ l; p; ~: @" j0 Q% ~1 E% 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
" C' f7 X# }# k% 训练函数为trainlm
5 W$ l( a; ~' W8 p' u# J' d% 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 M$ [" i! p7 |! x% network parameters:
%   epochs--epochs of the train
%   goal--errors goal of the network
%   lr--learning rate
5 a& O" |% g& j6 ^3 k/ W%   shows--epochs between the displays
% ~' g" G/ s. P0 [, Y- d+ w8 O  n$ N%   time--Maximum time to train in seconds
7 t5 Z2 t! t3 p! Unet.trainParam.epochs=200000;  % 训练次数
nettrainParam.goal=0.0001;  % 误差期望值
1 Z- C) D0 k+ X1 ~) Z% returns of the train:
- _$ e$ k1 }9 ~2 a7 S%   net--New network
- L+ R0 z: w& H- M$ t%    tr--Training record (epoch and perf).
; g) E  r" O: k( n, z" L%     Y--Network outputs.
4 o9 @! G0 b1 I) B/ R1 c* w: r5 W%     E--Network errors.
( }3 n/ }' [  N3 `6 G4 l[net,tr,Y,E]=train(net,p,t);
2 Q( M& w- T, S0 V. u: X3 Z' {%%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%
% input the testing points here %
! c5 F+ |* b2 J5 V" X( D+ X2 x7 x3 r' Ntitle('神经网络训练结果');
$ x2 k5 h6 Q, A$ }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;
y=1:5;
y21=sim(net,p);
! b; F& _3 S6 e0 ]2 `0 R# by2=reshape(y21,1,15);
clf
/ e1 |) g* C1 {! m' T; W4 Aplot(r,y2,'b-^')
hold on
- ]4 B5 y. F0 q( V% I6 C; Dplot(1:20,day,'r-*')
$ }. u  {; D' M- Q%%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%
y3=sim(net,h3);
plot(21:25,y3,'-*')
hold on
" v7 E- L* w( ?  u+ i* ~title('神经网络训练结果');
( F$ K# |. a' G% R" Zxlabel('时间（天）');
ylabel('仿真输出结果');
1 A1 x/ B  s% K6 Z3 f* ]legend('仿真模拟值','实际值','神经网络预测值');
" b3 c& N& b2 M7 P%%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
x=1:5;
y=1:5;
plot3(x,y,E(x,y))
+ ]( d6 a  K! N. T

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- j* s0 s& S9 C' `
   
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];  c& y8 h) O, \! I0 I! g7 B
   
3. dayhistory=day(1:20);%取其中三十天作为历史数据样本
   \" M% C$ z* k6 W( d1 U4 l0 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
   5 a8 K5 C# }: u6 Q/ Q; p
5. dayday=day(1:15);% 取其中的前25天\" i8 U, |- ~* \( \
   
6. daypost=day(6:20);%取其中的随后25天
   6 w' I+ M\" C+ G. r2 l+ n& D' Y
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
   , m) Y4 W1 [5 c
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; I- U5 y( I9 f' e
   
9. daylast=day(16:20);% v9 C* _* a, g1 V
   
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
    5 u. v$ V$ B) Y) D# h; O. g8 p- ]
11. r=6:20;
    ; L4 r0 N' J# Q& i+ ?7 v- F
12. rr=reshape(r,5,3);
    9 Y# ?- t' }/ A, l! ~- U
13. %%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%
    4 ]3 `* n  R* l& ~: U5 p2 J7 Z! @# ?; m' ~
14. net=newff(minmax(p),[5,3],{'purelin' 'purelin'},'trainlm');
    1 ^& T. b: N5 e
15. y1=sim(net,p);/ M. j+ {/ j3 O, C
    
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) A' [5 \, g& m+ ?& H: c# i
    
17. % 两层的传递函数均为purelin! U. Q( o3 K5 v& B& s$ A) D6 P
    
18. % 训练函数为trainlm: g' w+ A9 F) C1 t9 n
    
19. % 所训练的网络大小为[5,5]$ N6 A4 a/ Y) G0 d- J
    
20. % 仿真训练前的网络4 @; }* X9 [$ |! f5 D* }( x$ s, k) ^
    
21. 
    0 x* ~. i5 Q. P! W! Y5 T/ |2 g1 T
22. %%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%; s# e# K& N% i& X9 I9 ~8 a
    
23. % network parameters:. r$ i. q6 R* w6 J0 z
    
24. %   epochs--epochs of the train
    - [3 s4 m. H$ @
25. %   goal--errors goal of the network8 K: A\" A  f2 \7 W; Y, M
    
26. %   lr--learning rate
    3 H9 M, ~1 g1 S3 m/ u\" q9 t
27. %   shows--epochs between the displays
    % U8 p# A( }* o  @! u0 V: Z) b
28. %   time--Maximum time to train in seconds; o5 x) n* d6 J9 s  U5 k3 F+ n) Q( [
    
29. net.trainParam.epochs=200000;  % 训练次数4 g& q/ J$ S1 b/ ^* y) ]
    
30. nettrainParam.goal=0.0001;  % 误差期望值5 D* g' K9 }6 e5 x8 ^  e5 P5 T
    
31. % returns of the train:( T/ b0 l# \/ r# b1 I+ W
    
32. %   net--New network$ Z8 q, R7 D- A( h
    
33. %    tr--Training record (epoch and perf).
    % ?$ L7 W3 @/ X+ k! j6 C. a4 j( ?- j
34. %     Y--Network outputs.
    8 _7 w\" [# q9 m
35. %     E--Network errors.
    8 H2 P5 ]+ F: W% D, r\" P
36. [net,tr,Y,E]=train(net,p,t);
    ; D5 d\" G1 U4 j% I
37. %%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%
    2 G4 v( W1 s9 }: k( |& G
38. % input the testing points here %
    + t. O: K6 E+ E; Z* d& {
39. title('神经网络训练结果');
    4 f& _; W5 M3 Z  G2 V6 a5 }  V
40. xlabel('时间（天）');
    # Q4 @+ D\" ~' u
41. ylabel('仿真输出结果');
    , N' y% C+ `0 r/ p4 I
42. legend('仿真模拟值','实际值','神经网络预测值');0 A7 J) V+ o5 O- g8 ~( K0 D
    
43. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%2 A* Q, N6 v8 Y9 {3 F- [
    
44. x=1:5;' v3 W0 }0 c) ~6 G: X6 w! h
    
45. y=1:5;
    / A$ d' u! M* u
46. y21=sim(net,p);. S; x9 X0 d+ O& X0 ^; m' G
    
47. y2=reshape(y21,1,15);
    ) O% N! W6 J' j, t/ S7 u$ F( U
48. clf
    : t( N& Z/ g7 W* e* g9 M( p
49. plot(r,y2,'b-^')
    9 i% P! I( Z3 x# M% y
50. hold on
    / K; @: {, y! e8 k
51. plot(1:20,day,'r-*')
    & M2 Z& i6 A% f+ k
52. %%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%' ^\" ~8 c1 g' o9 b1 Z* U% ?8 q  Z\" E
    
53. y3=sim(net,h3);
    2 i4 l9 g! W# s* F( S. h2 d
54. plot(21:21,y3,'-*')
    / {; x7 o* Q! [( K! _
55. hold on9 r! p2 u5 `; ]  W5 j! x\" F7 s' j3 w! w
    
56. title('神经网络训练结果');
    8 ?8 ]9 u' @: b; Z: W
57. xlabel('时间（天）');% A\" {; v$ @6 {; t0 _
    
58. ylabel('仿真输出结果');( J2 K. G( C. y: \* Y
    
59. legend('仿真模拟值','实际值','神经网络预测值');. I% m  w' g% F
    
60. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
    1 a3 g, Z9 T1 }6 K
61. x=1:5;
    ) p- W$ j) z% h) O. e( f+ A4 H& E8 U
62. y=1:5;3 l* U  ]6 A; G8 `$ L
    
63. plot3(x(1:3),y(1:3),E(x(1:3),y(1:3)))

复制代码