请问这个代码错在哪里，如何进行修改，谢谢

昌辉9

clear
' n) J$ W9 k1 {( Z5 L. hday=[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];
0 W6 F  N- r9 q5 {dayhistory=day(1:20);%取其中三十天作为历史数据样本
1 F3 ]& z+ Y, e, d3 z( 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
- ]5 @# C% [7 D2 k5 f) E4 rdayday=day(1:15);% 取其中的前25天
7 {% j6 p( A2 G& }" kdaypost=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
( r7 u) K4 F; M5 g* 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
1 L) ~3 q+ t: |4 f0 y& e$ i/ bdaylast=day(16:20);
% J/ y0 T& D0 ^; m) L: s. kh3=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
% `& G7 z( K' p% 两层的传递函数均为purelin
% 训练函数为trainlm
% 所训练的网络大小为[5,5]
+ b: n! `5 ?5 r% 仿真训练前的网络
- W/ ]+ g1 \5 |, C2 b* }  Q
2 o9 W3 u2 L+ U7 u" b; L%%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%
0 B1 ?6 Q) s1 B% |% W% network parameters:
%   epochs--epochs of the train
/ G- i2 B: w' r" U4 G& Z5 f5 [%   goal--errors goal of the network
%   lr--learning rate
) {8 T( R; ?5 ]+ u" g4 S7 s  }%   shows--epochs between the displays
' E  F: I# A, m. j0 F%   time--Maximum time to train in seconds
! e( J! y& Z/ ~5 ~/ _net.trainParam.epochs=200000;  % 训练次数
3 n, k8 x4 P# A( QnettrainParam.goal=0.0001;  % 误差期望值
% returns of the train:
%   net--New network
%    tr--Training record (epoch and perf).
% D# V2 V8 |5 g- E8 ^%     Y--Network outputs.
%     E--Network errors.
6 q$ ?  ]0 N5 l[net,tr,Y,E]=train(net,p,t);
# H' l$ V; u& A1 _; ]* p%%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%
' u! ?2 u' a8 X9 [% f% input the testing points here %
title('神经网络训练结果');
/ Q6 D+ ]6 F9 l$ s' k  X/ vxlabel('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');
6 |- K/ v% U$ z( R  u3 C%%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
x=1:5;
* S6 s# y$ r* n' py=1:5;
* w; V: A0 K, H$ Dy21=sim(net,p);
: @4 [( H+ u* G. P& u/ C+ w/ Qy2=reshape(y21,1,15);
clf
3 k; }. K# |' Vplot(r,y2,'b-^')
hold on
plot(1:20,day,'r-*')
* r3 i; R. c, P5 w/ e. P9 b( J. l%%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%
+ `! i8 A3 m/ X3 qy3=sim(net,h3);
plot(21:25,y3,'-*')
hold on
9 `! c/ D6 X2 [title('神经网络训练结果');
xlabel('时间（天）');
ylabel('仿真输出结果');
0 r" ]' i$ Q& h% o7 L+ zlegend('仿真模拟值','实际值','神经网络预测值');
: \5 @0 }4 U" B; g, N1 Z* X%%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
* R! G3 N; J. I8 kx=1:5;
y=1:5;
plot3(x,y,E(x,y))
* P# j) c$ d+ _' ~$ N8 R* S+ _: }
$ Y4 @& P% G9 ]: _# r& 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
   % P& w5 t  u: v4 r& d% O
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];& d' H! F' }3 L+ H& ?4 E8 r0 R3 f/ p% O) F
   
3. dayhistory=day(1:20);%取其中三十天作为历史数据样本
     T2 V! _& |. l' d  z\" w0 I  v& f
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 ^6 C( [7 m- `. \
5. dayday=day(1:15);% 取其中的前25天! `, G# U. h1 }
   
6. daypost=day(6:20);%取其中的随后25天
   ) y5 z\" }& U& o3 R) j2 ~2 b$ ~
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 J5 Y, @, B- I. D4 Q0 F
   
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
   + q; V* F2 \6 |9 q' t& b0 a
9. daylast=day(16:20);
   , h( r) Q. v- o0 `4 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
    7 X% j  E5 I& R2 J
11. r=6:20;) d$ s) c# X2 s& ?8 W' ^, N8 x+ }
    
12. rr=reshape(r,5,3);
    - K; S9 ^4 [- |8 \& n! _0 z
13. %%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%
    1 m. o- }- r; p\" ?
14. net=newff(minmax(p),[5,3],{'purelin' 'purelin'},'trainlm');
      Y$ R# w9 G* g
15. y1=sim(net,p);2 p' Z& w& E' p, h, e; {
    
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0 L: L7 [/ Y2 \, f
    
17. % 两层的传递函数均为purelin( f$ J# E7 I, l6 r
    
18. % 训练函数为trainlm  `) I. M3 v0 D+ H3 t( q
    
19. % 所训练的网络大小为[5,5], G; y8 r* I2 z! A; ^4 ^+ c
    
20. % 仿真训练前的网络! n6 u* C/ e. H3 \$ m& P
    
21. 
    3 b2 k. p/ e; T9 e, U, |
22. %%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%0 d\" f8 R4 O) N
    
23. % network parameters:
    - ^% t9 s6 b$ k\" l7 @  [& ^
24. %   epochs--epochs of the train
    / y; ?! v* g0 g4 @3 r. ?$ p0 {
25. %   goal--errors goal of the network, a% N/ Y7 [# a8 E\" w% y. W0 U
    
26. %   lr--learning rate  Q1 y* E) r! R3 l
    
27. %   shows--epochs between the displays9 b3 o. Y\" E+ b9 Z& ]
    
28. %   time--Maximum time to train in seconds; y4 _' Z9 {2 h
    
29. net.trainParam.epochs=200000;  % 训练次数3 K. F; M8 k7 P
    
30. nettrainParam.goal=0.0001;  % 误差期望值7 z) r: e& N' [5 d3 q9 ?
    
31. % returns of the train:
    ' M8 x; n& E, V9 N\" ~- G
32. %   net--New network, K+ P4 }1 x! S8 H6 q* w\" N0 Q
    
33. %    tr--Training record (epoch and perf).+ V* [  I1 T1 O& i4 O
    
34. %     Y--Network outputs.
    : p$ `, h' ^8 h9 m
35. %     E--Network errors.
    3 B* k* t9 B) i2 m1 \
36. [net,tr,Y,E]=train(net,p,t);   a+ Y! C( m! ?! E% U1 i
    
37. %%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%1 j! |+ i6 A3 C4 W# N1 ?
    
38. % input the testing points here %
    - X4 @- v# O* [( c- `! W\" A% Z
39. title('神经网络训练结果');' g! P( `1 B+ ?3 Q5 V# c) P
    
40. xlabel('时间（天）');) ~3 J- ^9 a1 Y! ]
    
41. ylabel('仿真输出结果');
    , G) y2 V; K. y$ J/ D* q
42. legend('仿真模拟值','实际值','神经网络预测值');+ `1 J6 w( R# S/ T
    
43. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%( a) a4 E1 }0 L
    
44. x=1:5;) w  z4 F4 R. j  J\" E* r8 C
    
45. y=1:5;\" d* L: [- P- ^- g
    
46. y21=sim(net,p);) f4 ]3 h% U0 _6 I9 p  r
    
47. y2=reshape(y21,1,15);
    # G7 z1 c, u1 M5 B0 D
48. clf  t$ s; v  H7 m- `8 V
    
49. plot(r,y2,'b-^')
    \" H( E( D$ V1 S5 A4 m, R
50. hold on$ r5 F4 B* H9 ^. ]) J  f
    
51. plot(1:20,day,'r-*')
    % v1 z2 F( Z! k' N# o
52. %%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%! M% V+ t, y) k9 z/ u+ k7 A8 Z
    
53. y3=sim(net,h3);8 K9 e\" Q  @/ m0 E% d: ?& C
    
54. plot(21:21,y3,'-*')9 A\" w+ Q+ B# b! b# ^4 m! \- s
    
55. hold on
    9 T1 W5 |) k+ o$ _* ?9 ^
56. title('神经网络训练结果');
    9 [$ u( U4 ?& v3 e9 a
57. xlabel('时间（天）');6 l! {) b: A$ M# Z% k
    
58. ylabel('仿真输出结果');
    1 s) t; S- J. B
59. legend('仿真模拟值','实际值','神经网络预测值');
    9 C. h0 F# Q5 \/ }0 e
60. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%4 a/ ]5 ^$ z7 M( g- n; k
    
61. x=1:5;# O$ ~, U+ o/ [3 d8 J- a\" U9 e; M
    
62. y=1:5;8 w6 M% M; _  L
    
63. plot3(x(1:3),y(1:3),E(x(1:3),y(1:3)))

复制代码