请问这个代码错在哪里，如何进行修改，谢谢

昌辉9

clear
9 ^" y4 `. I- l3 m0 m% vday=[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];
2 A- t: A9 j: S0 g; g5 B& @dayhistory=day(1:20);%取其中三十天作为历史数据样本
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
dayday=day(1:15);% 取其中的前25天
daypost=day(6:20);%取其中的随后25天
; j, r! _0 @2 l3 I. Up=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
. S8 ~6 ?# x. s! 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
1 K, _4 o" e; T" w' @+ n+ M, xdaylast=day(16:20);
# Y6 m, w4 N# p$ {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
) a6 m: [" D+ ar=6:20;
rr=reshape(r,5,3);
%%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%
5 s& ?* y- i5 J: ?. snet=newff(minmax(p),[5,3],{'purelin' 'purelin'},'trainlm');
9 X) L. M2 ^) ?4 O, S# z: sy1=sim(net,p);
- Y$ _  E) u# v7 h! q% 新建网络，其中minmax(p)为p的没一次输入的最大最小值向量
7 u: y) |9 m2 J3 g8 K; E% 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]
% 仿真训练前的网络

# u5 s" n( O" b7 D- T9 Q# J%%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%
, \3 X- p; l  ~3 v) a, T* w$ {( F% network parameters:
%   epochs--epochs of the train
% e" z% x" j/ B1 h: M6 F) I& S%   goal--errors goal of the network
%   lr--learning rate
9 Y8 {1 d  \. w%   shows--epochs between the displays
%   time--Maximum time to train in seconds
net.trainParam.epochs=200000;  % 训练次数
  A7 s  ~' p% J9 O! lnettrainParam.goal=0.0001;  % 误差期望值
% returns of the train:
%   net--New network
1 l4 L8 J) h; \8 P/ v%    tr--Training record (epoch and perf).
* Y6 g0 Q# o, F( F8 K" ^+ S%     Y--Network outputs.
0 h9 l" i  z- K/ |2 K; t7 T7 s4 j; b%     E--Network errors.
. e: U# T) a% `" x2 ?* [$ W[net,tr,Y,E]=train(net,p,t);
" C) g/ a, G1 g2 a/ X%%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%
% input the testing points here %
) R# `8 y0 [9 |+ {title('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');
" e8 p  C- m' j9 |%%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
7 ?2 i+ t; D: T' t$ ix=1:5;
y=1:5;
3 J" z2 Y( N- yy21=sim(net,p);
y2=reshape(y21,1,15);
clf
plot(r,y2,'b-^')
hold on
# k9 _' b1 ]% |! L" u9 cplot(1:20,day,'r-*')
2 c! V7 Y# a- w0 u( Y%%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%
y3=sim(net,h3);
# `0 d  N8 ~, g# @# T" aplot(21:25,y3,'-*')
; z5 D0 v1 V$ G: mhold on
title('神经网络训练结果');
xlabel('时间（天）');
, P* [6 W2 `# O" X8 Fylabel('仿真输出结果');
( C1 r! E2 i) p2 {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;
' l+ U+ I: L8 L( X5 r3 Yy=1:5;
! ?2 ^5 p; ?% q2 ~, u, ]plot3(x,y,E(x,y))
2 O$ k' `) R8 m

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
   ! h/ i  k6 M: O( }, K
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];8 L1 @, u+ ]  }8 M* H; y; Y
   
3. dayhistory=day(1:20);%取其中三十天作为历史数据样本
   + N2 X/ a7 c$ _. ^4 w6 v
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
   4 ^/ j+ Z- p0 ]* |* @3 G
5. dayday=day(1:15);% 取其中的前25天: i4 @( I$ D\" P3 o% [
   
6. daypost=day(6:20);%取其中的随后25天3 Q0 b& [: b- k: \9 V1 c$ I
   
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3 t7 p- P4 y2 h7 E4 \: f1 h1 z
   
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) o3 r- \6 Q8 b  x0 ^! X9 k8 X6 {
   
9. daylast=day(16:20);
   0 m4 n' V4 F' f
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
    ( ~- H* o3 G; M/ i2 f# i2 w$ b% ?
11. r=6:20;, q: g  d# c% r+ G\" u
    
12. rr=reshape(r,5,3);\" n) k+ n9 M2 a: K0 m
    
13. %%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%$ o% y' I9 l\" H* [
    
14. net=newff(minmax(p),[5,3],{'purelin' 'purelin'},'trainlm');$ ?# z; m! `- q8 J4 @4 W$ {
    
15. y1=sim(net,p);\" y% N1 l% D# r
    
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
    8 \* x$ f; q, S5 ?) N4 V, {$ {
17. % 两层的传递函数均为purelin
    0 X8 V: J- w4 Q: ~\" e! B; k
18. % 训练函数为trainlm9 E( z1 B2 w& r% s0 e8 w. L: B' Q
    
19. % 所训练的网络大小为[5,5]0 i: S3 l$ x6 O) N1 O
    
20. % 仿真训练前的网络
      g4 J* D1 q9 y4 A5 _
21. 
    4 w( [\" u$ O$ r: {9 \4 p1 Z
22. %%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%5 k& p& v. G' P' m, @7 {6 j
    
23. % network parameters:
    - m; Q* Q+ v9 A; C\" V$ ~( z
24. %   epochs--epochs of the train9 }. t( d5 ]; z9 q  m
    
25. %   goal--errors goal of the network
    ! D/ A- D$ }6 S# C
26. %   lr--learning rate, A- m) x) g* @8 ]# ^* B0 M
    
27. %   shows--epochs between the displays4 l5 `; j! R' c
    
28. %   time--Maximum time to train in seconds
    / l' R2 M/ \5 |; i7 G% L
29. net.trainParam.epochs=200000;  % 训练次数9 a/ }( ?9 B/ @; v+ q2 o( k9 Z5 D
    
30. nettrainParam.goal=0.0001;  % 误差期望值9 p; y, g1 l# d
    
31. % returns of the train:4 z8 p3 X$ a0 D. j
    
32. %   net--New network\" u/ K, g5 ]9 C4 D
    
33. %    tr--Training record (epoch and perf).2 e1 O$ x7 K& @' S8 y3 h\" V* L  {
    
34. %     Y--Network outputs.
      J% I. |3 ]. d* G1 h( t
35. %     E--Network errors.
    0 t2 G3 |$ y, q% o/ R, ^
36. [net,tr,Y,E]=train(net,p,t);
    9 o7 E) N9 |& _7 |! E5 v! g' n% s/ ^1 R
37. %%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%( a\" Q& Z\" a$ q, e& ?8 n
    
38. % input the testing points here %) ?! ?+ @$ @: n/ I8 i, s  _; `, w
    
39. title('神经网络训练结果');0 |* U. {- r1 [
    
40. xlabel('时间（天）');
    3 c/ L, m6 R- s0 [6 w
41. ylabel('仿真输出结果');
    & A& ^5 D8 ?7 V
42. legend('仿真模拟值','实际值','神经网络预测值');5 U$ ^- K* n\" {% ]/ E
    
43. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
    + n, A  p1 o# V- o8 ?
44. x=1:5;* x2 M! U+ N; G+ \
    
45. y=1:5;
    3 L* w' f- e) m0 g; T) V
46. y21=sim(net,p);8 |* X1 k9 D5 W
    
47. y2=reshape(y21,1,15);! D2 a6 t6 ?# A! Z; P; k
    
48. clf
    ( T+ J\" B6 H2 S0 Q
49. plot(r,y2,'b-^')! S# O; q\" j& J- [
    
50. hold on( |& W# @: N9 D\" u/ E
    
51. plot(1:20,day,'r-*')2 L# k5 R9 ]. g
    
52. %%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%
    & n4 a$ V: u! f; |: [* ?
53. y3=sim(net,h3);6 C5 K+ \% k# M$ {0 m# X8 A, G
    
54. plot(21:21,y3,'-*'): b7 x' k; x  U: X( J
    
55. hold on
    1 g! @% f! |/ }4 k0 {2 ~/ N5 ?& `5 _
56. title('神经网络训练结果');
    : W# Y7 @' T. ^6 J+ ~. o/ N
57. xlabel('时间（天）');
    0 k\" X/ X* h0 c7 ]; N\" D6 S! N( K. H
58. ylabel('仿真输出结果');& C/ ]9 Q\" \/ w
    
59. legend('仿真模拟值','实际值','神经网络预测值');
    $ P1 N  T+ T- V6 t# c+ I; F
60. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%\" x3 J9 p: M  k
    
61. x=1:5;. p7 L7 y\" L) m( r, h3 V\" U) P% z- O3 \: R
    
62. y=1:5;
    - v. A. H: s( j4 A
63. plot3(x(1:3),y(1:3),E(x(1:3),y(1:3)))

复制代码