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
6 b. B8 s, z3 r  Wdayhismod=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
* d2 A  m: r5 R+ rdayday=day(1:15);% 取其中的前25天
daypost=day(6:20);%取其中的随后25天
* m% G& E# J4 `0 M2 Op=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
0 K; ^* w* N. ?* D% I/ hdaylast=day(16:20);
5 e% Y% y' b" m9 @( K0 @' R  rh3=reshape(daylast,5,1);% 将倒数第二个样本作为网络测试时的输入样本
/ _9 w/ g9 F. e) d' [r=6:20;
: p; [% S9 [. H0 K1 G( Q$ T% Orr=reshape(r,5,3);
- F7 ~7 z7 `7 V%%%%%%%%%%%%%% 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
% 两层的传递函数均为purelin
6 ^7 Q0 \( P; Y$ p% 训练函数为trainlm
% 所训练的网络大小为[5,5]
/ l' l4 `' r1 l0 l" u# o% 仿真训练前的网络

& K" _3 ~* V2 P%%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%
% network parameters:
%   epochs--epochs of the train
; X! V+ _# _2 V8 v%   goal--errors goal of the network
3 e0 }2 w5 E0 H5 J9 L" v% |" g%   lr--learning rate
%   shows--epochs between the displays
%   time--Maximum time to train in seconds
net.trainParam.epochs=200000;  % 训练次数
5 k$ `5 Q0 P% G# }nettrainParam.goal=0.0001;  % 误差期望值
% returns of the train:
! ]9 v' R7 H& ]8 j' A%   net--New network
%    tr--Training record (epoch and perf).
%     Y--Network outputs.
%     E--Network errors.
[net,tr,Y,E]=train(net,p,t);
%%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%
6 `, E& U9 [9 S6 m% input the testing points here %
title('神经网络训练结果');
# @4 \7 E4 n0 G" L! Pxlabel('时间（天）');
ylabel('仿真输出结果');
# _8 ^& d" F9 ?8 B+ O& b! xlegend('仿真模拟值','实际值','神经网络预测值');
$ o. q" I3 g1 s  G%%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
x=1:5;
y=1:5;
" W0 g( j6 H& R& Ey21=sim(net,p);
+ K  f* D# T+ Z; K+ P+ j2 Oy2=reshape(y21,1,15);
, K# }; S) m. K( {clf
plot(r,y2,'b-^')
$ U9 \5 b' h+ u/ t  u- s4 h8 i4 D4 thold on
0 ~- r, T# Z6 D# z' {+ rplot(1:20,day,'r-*')
$ B+ K3 ?' M* d& @; W%%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%
7 H( W' r7 v, Z) z1 my3=sim(net,h3);
plot(21:25,y3,'-*')
: b0 ]( g5 A9 J) ~# S1 q- d) D* Rhold on
! j0 I9 _% H* Jtitle('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 %%%%%%%%%%%%%
2 A& G" B( [7 B: H) F$ Jx=1:5;
y=1:5;
plot3(x,y,E(x,y))
" V4 S, U6 ^9 f, i3 s% b
6 C+ ]7 T; y7 E  P# Y8 v$ C' K! S. F9 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
   0 {$ M# d7 S2 Y, n# t, B
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];
   1 s6 `. r- e( Z\" P& p
3. dayhistory=day(1:20);%取其中三十天作为历史数据样本9 v# r: O  h/ F. k7 V4 k
   
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  K# ]8 c2 n* P1 Y0 Y* x
   
5. dayday=day(1:15);% 取其中的前25天: \( O  P) X- Y3 Y5 c
   
6. daypost=day(6:20);%取其中的随后25天
   + y- {) ^0 j4 L7 E2 e
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
   8 d: u/ E8 w7 _
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\" x: I: T2 n5 r* w9 t/ w8 }
   
9. daylast=day(16:20);
   ( L+ }) [9 i% g, \: 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# ]) O6 d+ U6 P) k$ I! E
    
11. r=6:20;; Z2 c/ p/ c6 F, O' E  v' ^3 P' V4 ~
    
12. rr=reshape(r,5,3);
    # b5 r! @( u; d9 D
13. %%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%! w- {/ ?3 i/ Y( G% k, d  h\" L
    
14. net=newff(minmax(p),[5,3],{'purelin' 'purelin'},'trainlm');* J6 d* o7 f! |: k* _7 @$ t4 a0 Y4 J# w
    
15. y1=sim(net,p);
    & m' z  q. `- R5 L\" x$ c3 R7 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1 H5 ]7 |# ^* W# i6 i
    
17. % 两层的传递函数均为purelin- v+ E3 L5 i6 ]
    
18. % 训练函数为trainlm
    2 R6 x3 N9 D4 E, D9 s7 c# I& [
19. % 所训练的网络大小为[5,5]5 Z% |% I- X0 A; J: M1 V  u0 r, G
    
20. % 仿真训练前的网络, O) K0 Q4 z\" Q$ h% g0 R
    
21. 
    % |! _: z( a1 b7 ~
22. %%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%2 O) @1 L4 F3 M6 m) X
    
23. % network parameters:
    ! ?. i6 f, {% G% a% v* Y
24. %   epochs--epochs of the train6 x! w& Z6 i1 V+ c
    
25. %   goal--errors goal of the network
    / Y1 A) Z4 t- v9 N/ t6 V, {0 Z/ i' f
26. %   lr--learning rate
    $ u9 S; x5 C, h; X0 O6 c# c6 l
27. %   shows--epochs between the displays
    7 ], Z4 i1 G2 I. p
28. %   time--Maximum time to train in seconds
    7 n8 A\" [' |) K& x1 O; P$ O' [
29. net.trainParam.epochs=200000;  % 训练次数\" v& w, e- o* O8 f
    
30. nettrainParam.goal=0.0001;  % 误差期望值
    6 U. r- |/ E( ]- n: `
31. % returns of the train:7 x$ @2 R# F. f2 V1 v4 N. n
    
32. %   net--New network; a: E1 y- G- q\" u+ }, D6 T\" |
    
33. %    tr--Training record (epoch and perf).- d. w* K; ]) j6 H+ c5 b
    
34. %     Y--Network outputs.* Z# m9 K+ M% a
    
35. %     E--Network errors.
    1 d/ G# O0 _5 [& u2 a9 x1 R0 {: X* M
36. [net,tr,Y,E]=train(net,p,t);   j/ `8 J' M  n
    
37. %%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%* ^# ~. y0 o7 V6 I
    
38. % input the testing points here %' x% S$ M0 Y, K: _* s
    
39. title('神经网络训练结果');
    + d7 M' p4 }7 e- |! J: l* Y0 m
40. xlabel('时间（天）');
    7 p* N* A4 X- u0 a1 `3 c5 S7 @
41. ylabel('仿真输出结果');\" P9 Z# \  ?- W8 Z, J0 b/ Q
    
42. legend('仿真模拟值','实际值','神经网络预测值');
    0 `* ~: c  h! Y) l
43. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%\" y9 Z8 g) Z4 Q5 ?5 P
    
44. x=1:5;& }\" L9 ~0 f3 C: C
    
45. y=1:5;
    5 v7 d2 m  \5 x5 j- M  Z4 x
46. y21=sim(net,p);8 @3 E9 r* g0 o& i
    
47. y2=reshape(y21,1,15);5 z7 ~% |1 v+ h! x5 x4 {\" X+ _+ k
    
48. clf
    \" C' |% A\" N+ _( ?- P' C
49. plot(r,y2,'b-^')' h; \3 u6 d0 ?/ V' a% }9 ]& E5 o: `
    
50. hold on
    ; @- E8 h+ z1 Q+ J) Q
51. plot(1:20,day,'r-*'), }& n! P0 c0 X\" W' ~
    
52. %%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%7 w! t3 S0 b8 r  d
    
53. y3=sim(net,h3);
    ; Y6 X\" O! g7 M4 [! |
54. plot(21:21,y3,'-*')
    / K5 P$ }+ g1 X1 n% r
55. hold on
    + ~# p: c6 \5 O% o+ H5 J
56. title('神经网络训练结果');8 o# v# Q5 K' x% U
    
57. xlabel('时间（天）');% b, W, {9 j/ Y6 W  _' s
    
58. ylabel('仿真输出结果');
    $ {; G: h( D( H+ S
59. legend('仿真模拟值','实际值','神经网络预测值');
    2 z( r+ Z& G* C0 P1 m
60. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
    + s. h7 K/ {* Z* [
61. x=1:5;
    ; _' W+ D5 z2 K
62. y=1:5;. T9 r: m; a  Z\" [9 H1 A
    
63. plot3(x(1:3),y(1:3),E(x(1:3),y(1:3)))

复制代码