请问这个代码错在哪里，如何进行修改，谢谢

昌辉9

clear
: J: S  y) `8 P: D; Z8 @  F% _9 e" Aday=[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];
- `# l0 w4 N. O+ U* p; Odayhistory=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
# K( ?: H* v* l# @dayday=day(1:15);% 取其中的前25天
  X, [6 e' ]" K! Q  Mdaypost=day(6:20);%取其中的随后25天
* G8 X3 B2 y( C& L) M  t- \3 D+ Q7 _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
7 T* O# H- ~6 ?6 i; |; y) ^% V4 f# ddaylast=day(16:20);
8 x0 t9 {; e7 ^9 W" H" yh3=reshape(daylast,5,1);% 将倒数第二个样本作为网络测试时的输入样本
  {, {' n- m/ z# z1 O* Gr=6:20;
9 B* S! u: L% H* w: ?8 C  Irr=reshape(r,5,3);
%%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%
net=newff(minmax(p),[5,3],{'purelin' 'purelin'},'trainlm');
y1=sim(net,p);
6 l8 l" s5 r  W% p5 W: ^% 新建网络，其中minmax(p)为p的没一次输入的最大最小值向量
; J& ^3 c, r3 W% 两层的传递函数均为purelin
% 训练函数为trainlm
# E( t& z2 a( n+ u" t# p+ K! k" {: i% 所训练的网络大小为[5,5]
: l- t* h' e) T; t( e, m$ j% 仿真训练前的网络

* W. z) W( W- R6 m/ P' s  _# c%%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%
6 U% n9 {( D  W  L% network parameters:
%   epochs--epochs of the train
%   goal--errors goal of the network
/ |. E2 j& w7 r" \2 s& d%   lr--learning rate
%   shows--epochs between the displays
! m0 J/ Y" X1 X7 x7 o- m%   time--Maximum time to train in seconds
net.trainParam.epochs=200000;  % 训练次数
nettrainParam.goal=0.0001;  % 误差期望值
% returns of the train:
2 f) }* _, S5 G%   net--New network
%    tr--Training record (epoch and perf).
%     Y--Network outputs.
' @9 {' U7 K: @% H( y%     E--Network errors.
* H, ~- `; \: d% O( ^[net,tr,Y,E]=train(net,p,t);
%%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%
; K" |! o, u" @  n' L3 S! E3 r% input the testing points here %
title('神经网络训练结果');
xlabel('时间（天）');
; l, m6 f0 D6 n( N/ X2 Tylabel('仿真输出结果');
2 a; U( q& u( x- ~+ A! G$ glegend('仿真模拟值','实际值','神经网络预测值');
' f4 S& K$ a6 H1 J( S$ t5 y! L9 j%%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
x=1:5;
y=1:5;
$ ]1 G: P& R) X! My21=sim(net,p);
y2=reshape(y21,1,15);
clf
plot(r,y2,'b-^')
hold on
3 q: e- o1 e1 c; W6 Cplot(1:20,day,'r-*')
  c5 t" y( }% R/ A3 C  }# j: N%%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%
# @5 b/ z- i9 k3 K) T4 qy3=sim(net,h3);
plot(21:25,y3,'-*')
hold on
title('神经网络训练结果');
9 }$ x, s+ _4 ^) g5 Dxlabel('时间（天）');
4 L! B3 L& Q0 l9 fylabel('仿真输出结果');
# v: q  S1 y3 B, O$ ?& f5 k. C9 glegend('仿真模拟值','实际值','神经网络预测值');
# Z! p5 e# Y% W. T' s* W%%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
+ v! s( f4 o) s, S' b: xx=1:5;
! M2 B- P; {% v6 e, v. p9 O! Ky=1:5;
plot3(x,y,E(x,y))

1 c9 D/ p) e- ?" t8 p( h: 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. clear2 T$ o: q7 u8 _& u7 @
   
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 X0 {* G! P. [% a1 z! F
   
3. dayhistory=day(1:20);%取其中三十天作为历史数据样本
   ' a% }0 v/ z. U0 x- @& Y$ m3 Q
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* |: d) T! l5 E, ~1 o
   
5. dayday=day(1:15);% 取其中的前25天$ @$ s8 n/ @# }; G, W- I& M9 S\" {7 y
   
6. daypost=day(6:20);%取其中的随后25天
   # A2 b# D: B- r; k) |
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
   $ ]' @4 Z: T1 \* |7 Y4 V% r# y; |
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\" f3 s7 Q* g/ U1 ]$ z
9. daylast=day(16:20);# z+ g1 Q6 U$ E\" j4 z: o: Y
   
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( w$ F: R* t  x2 P+ t% I6 p
    
11. r=6:20;
    9 o- [4 [* A' g0 O+ j4 B
12. rr=reshape(r,5,3);
    4 `8 t$ K# Z; Y! u1 y1 z
13. %%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%6 d# X; A* Y/ S
    
14. net=newff(minmax(p),[5,3],{'purelin' 'purelin'},'trainlm');
    1 X- P- O: z1 I! f* D! |) ], q
15. y1=sim(net,p);
      X& L& h0 z+ b1 N
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
    ( N: T$ i. [2 J, y
17. % 两层的传递函数均为purelin% A' v$ n$ g/ B' c& }3 b0 r# l+ f
    
18. % 训练函数为trainlm
    6 t* o: D/ x9 T7 r\" g% p4 Q
19. % 所训练的网络大小为[5,5]
    ) ~: B1 u! `7 M4 l
20. % 仿真训练前的网络
    0 a  s( f% y8 X
21. 
      g4 f/ _: w0 K4 ~, Q/ y3 ~
22. %%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%
    0 }8 p; J- c8 m# V/ ^8 Q! _6 F
23. % network parameters:0 R& y1 m* R. M$ ^/ j: |( l
    
24. %   epochs--epochs of the train
    ( `: X4 W! Z0 Y8 Z3 d
25. %   goal--errors goal of the network. Y# B* C0 y5 v& ?6 L0 x5 Z
    
26. %   lr--learning rate! X3 |* D+ X  q) Y9 E- z
    
27. %   shows--epochs between the displays9 s7 Q  U  y! w
    
28. %   time--Maximum time to train in seconds& X  w$ m8 X; n1 M% F' h% E
    
29. net.trainParam.epochs=200000;  % 训练次数
      B: l* |0 u9 B. |6 G+ t( ]& l
30. nettrainParam.goal=0.0001;  % 误差期望值/ A. Y# z5 f. `+ m: l. e; c+ H
    
31. % returns of the train:
    9 B5 y0 F* `, w6 r
32. %   net--New network
    ! F4 P9 m! t, b$ @
33. %    tr--Training record (epoch and perf).7 X\" y% E$ f! d9 q( f
    
34. %     Y--Network outputs.  v; p7 @( F+ U
    
35. %     E--Network errors.
    1 k! m7 E- @- |+ m: }
36. [net,tr,Y,E]=train(net,p,t);
    , v* C5 [. w/ m7 J3 Y
37. %%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%
    9 u  l; m* s5 ^) e+ M
38. % input the testing points here %! A\" n) B8 p' `& g- m5 w) l
    
39. title('神经网络训练结果');6 p2 U0 e7 \- f, ~6 ?3 }
    
40. xlabel('时间（天）');2 H2 H6 @8 J) R! H! F: |5 C
    
41. ylabel('仿真输出结果');& h6 v$ R5 s4 ~8 L
    
42. legend('仿真模拟值','实际值','神经网络预测值');/ n1 z% P) Y3 x* e9 L
    
43. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%' n) P' n% k; \5 e
    
44. x=1:5;
    * G& e& L, W4 ]
45. y=1:5;; ^2 g  ~7 u3 L5 T6 e
    
46. y21=sim(net,p);* L\" |5 n+ a: v/ [  g
    
47. y2=reshape(y21,1,15);* w; j& Y9 Y8 y1 |
    
48. clf
    ( ^4 p6 K% d+ S
49. plot(r,y2,'b-^')8 V' Q& n* o  |1 O6 \6 D% N
    
50. hold on9 Q9 H9 K5 G1 h  |- D) a
    
51. plot(1:20,day,'r-*')
    ! ^\" H2 M& g) d
52. %%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%
    ) J1 a  d\" ^& K: N, [
53. y3=sim(net,h3);
    1 T$ f/ e; _6 }5 g7 L. o
54. plot(21:21,y3,'-*')
    9 a( Y5 H. |3 Z' e( b9 q
55. hold on7 Z8 E# T* N: A6 d\" N
    
56. title('神经网络训练结果');& u; [$ i. w' s\" m0 q8 R\" ?
    
57. xlabel('时间（天）');
    4 ~5 D\" P9 h5 e4 |8 v- y
58. ylabel('仿真输出结果');
    8 S7 X: ?. J2 H6 l7 M
59. legend('仿真模拟值','实际值','神经网络预测值');
    ( ]5 Z3 Y- X$ f; Z. V' B7 h9 j
60. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
    2 d+ z) a* Q* U
61. x=1:5;+ F# A. K\" I  U  d) J. @& T
    
62. y=1:5;2 I% j1 k/ S8 G$ {1 y
    
63. plot3(x(1:3),y(1:3),E(x(1:3),y(1:3)))

复制代码