请问这个代码错在哪里，如何进行修改，谢谢

昌辉9

clear
( F6 N3 {) x7 n7 Z. m# X/ L8 qday=[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];
+ f+ p9 G5 ~! I' M+ Xdayhistory=day(1:20);%取其中三十天作为历史数据样本
" h' j& Q7 y/ C7 S- }. Idayhismod=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
" c! _6 v$ k& R0 k' ~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
+ [8 G6 F% c# _/ Vt=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);
3 Z; y& \) i9 J- ~% J  vh3=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 X" J6 D! Q" r, m) @r=6:20;
rr=reshape(r,5,3);
' h! X$ r# X4 ?- @5 I; o%%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%
. P$ S( Q( R6 g  T8 T7 ~2 O! {, jnet=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
3 f0 `" q7 I8 R+ v  D% \% 两层的传递函数均为purelin
% 训练函数为trainlm
& I# W/ k' |3 |) f5 g& o% 所训练的网络大小为[5,5]
2 K" p5 f6 g* x1 B% 仿真训练前的网络
' _/ `+ [( o- I, T) y
%%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%
% network parameters:
3 X" P. g/ h8 n4 y1 y%   epochs--epochs of the train
# X! e* H1 b( h8 C+ Z% e%   goal--errors goal of the network
9 u- k& k9 q' R2 b% n1 Y%   lr--learning rate
. m! K% _, A/ s$ P" J; J%   shows--epochs between the displays
  V' }; t; ]! N1 C% S%   time--Maximum time to train in seconds
  x' z  o9 ?# q0 n( _net.trainParam.epochs=200000;  % 训练次数
nettrainParam.goal=0.0001;  % 误差期望值
% returns of the train:
%   net--New network
%    tr--Training record (epoch and perf).
; r/ Z+ R: o& j% o) g%     Y--Network outputs.
5 u5 [( a; g1 L3 Y% h# f%     E--Network errors.
[net,tr,Y,E]=train(net,p,t);
%%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%
! m( _; Q7 D* i4 z: u* z' b" y% input the testing points here %
title('神经网络训练结果');
5 j$ H  u. X) m' ixlabel('时间（天）');
ylabel('仿真输出结果');
! H5 T" h; d, K! `1 elegend('仿真模拟值','实际值','神经网络预测值');
8 V; J/ ]0 ?0 ]* t7 F0 A; u%%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
* }8 N0 R) [' Ex=1:5;
. @' L% K. p4 V  ^! f, P0 Ky=1:5;
+ K8 [+ a3 X9 g& Py21=sim(net,p);
y2=reshape(y21,1,15);
clf
plot(r,y2,'b-^')
hold on
2 d7 t) C) F9 ]  i8 ]& ?; tplot(1:20,day,'r-*')
%%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%
: {8 F* u1 L7 Ay3=sim(net,h3);
plot(21:25,y3,'-*')
hold on
2 K) c" ^0 S! L1 I; `( ?" Etitle('神经网络训练结果');
xlabel('时间（天）');
! Q9 v# }: h- k. V) Iylabel('仿真输出结果');
) `( ?6 T$ O" slegend('仿真模拟值','实际值','神经网络预测值');
' d/ ]& i7 A$ Y+ c0 F# ~%%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
; [9 E- v$ i! R8 g- H7 ?6 M3 Sx=1:5;
y=1:5;
plot3(x,y,E(x,y))

0 u- w9 g* d4 m# h) S

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  Q9 B, d0 ^6 M( ^
   
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];; Z8 l& D& W9 h\" V1 e+ j
   
3. dayhistory=day(1:20);%取其中三十天作为历史数据样本
   : x! `- F\" M2 p9 N! C  H0 B# R
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, y$ K3 t& e4 `
   
5. dayday=day(1:15);% 取其中的前25天6 k; b  o: A4 S
   
6. daypost=day(6:20);%取其中的随后25天2 ?\" t4 h# D9 L
   
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+ U4 y9 M) S7 i
   
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; o1 b7 C* |* z% H% s! {  N
   
9. daylast=day(16:20);5 V# B% }$ {( P% 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0 Y\" @) H( @5 B; q2 Q
    
11. r=6:20;& Z3 O: _0 |3 _0 k9 n  Q$ w
    
12. rr=reshape(r,5,3);# s6 d! ?. |% x6 |
    
13. %%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%' E# h2 H: e, ]/ F/ J/ N9 w# w
    
14. net=newff(minmax(p),[5,3],{'purelin' 'purelin'},'trainlm');! z0 `# i5 x3 B
    
15. y1=sim(net,p);
    ' Q+ r& i( Q: y7 g& L* _6 ]
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/ l8 T2 x# t( Z) f
    
17. % 两层的传递函数均为purelin
    # f1 k! R; Z6 _. ~
18. % 训练函数为trainlm
    - A7 ~5 f1 i' j$ D0 I# V
19. % 所训练的网络大小为[5,5]8 p7 i/ @5 X! o+ Y, z# n+ O1 d8 q) T
    
20. % 仿真训练前的网络- U6 T9 k; D# M3 g. r+ x& m
    
21. 
    2 _9 h  V, d+ A# E6 u
22. %%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%* a# R9 z: H+ {  J
    
23. % network parameters:' U1 R7 D, M- ^' j: n, N
    
24. %   epochs--epochs of the train
    + c( i4 b- t3 {2 X) f) t/ G
25. %   goal--errors goal of the network
    7 u# h9 u) s& @3 ]1 b1 n
26. %   lr--learning rate
    5 u: M3 s; D; P' i$ A
27. %   shows--epochs between the displays
    ; \( w  y/ {+ k4 n* U. J) e1 d  j5 ]9 A
28. %   time--Maximum time to train in seconds
    \" d% l, V+ C# M5 {* H9 x& I4 |
29. net.trainParam.epochs=200000;  % 训练次数
    ; C  {& G/ u; Y% y! U9 Y: H
30. nettrainParam.goal=0.0001;  % 误差期望值2 L6 G* Z* o6 M4 L2 j1 y$ }$ k9 `& S
    
31. % returns of the train:
    9 j8 U/ g- X( [+ @+ P, o
32. %   net--New network
    1 \9 S: n  G+ Q8 S! J) Z
33. %    tr--Training record (epoch and perf).+ Q* m0 @8 P0 `' X% X, K
    
34. %     Y--Network outputs.5 `8 H2 I5 U9 H( h6 v& Q6 i4 v( ?
    
35. %     E--Network errors.
    . C0 s- O6 [; [
36. [net,tr,Y,E]=train(net,p,t);
    5 u! l. |7 G5 T8 v  N8 K% L' N
37. %%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%
    8 ]1 _! \; X) p0 ~: }4 z
38. % input the testing points here %
    9 X\" i' U7 Y7 t9 ?# G
39. title('神经网络训练结果');1 I3 z7 A1 L/ N% c. g* d
    
40. xlabel('时间（天）');8 D5 q2 ?: L% O- y9 D( T\" D( p
    
41. ylabel('仿真输出结果');
    0 Z. m\" V$ D  s( \8 w' ~& u- G7 h
42. legend('仿真模拟值','实际值','神经网络预测值');, e& |\" a# a+ j+ p% \6 Y$ I0 B2 @' m
    
43. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
    ' Y  I2 P3 x7 }4 q  t
44. x=1:5;
    ! b1 i( r* n# T
45. y=1:5;
    / d( p' \( ]/ k\" a
46. y21=sim(net,p);' p6 |\" T# K) o9 L' W7 _
    
47. y2=reshape(y21,1,15);
    % S- i# {2 i% P- G: Q! J
48. clf
    ' D$ A. j8 Y/ B% K! t3 F' [
49. plot(r,y2,'b-^')3 M# f2 L\" K- Z
    
50. hold on
    8 z# y) f/ z8 e
51. plot(1:20,day,'r-*')
    ( }* d& w$ C- K& Y8 r. }
52. %%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%. P9 I% V7 m; t
    
53. y3=sim(net,h3);- Q# U/ F\" V: t7 e2 G( d, @8 W
    
54. plot(21:21,y3,'-*')! y\" U/ b+ G. s( H
    
55. hold on) t6 a. l$ a+ @; x2 r
    
56. title('神经网络训练结果');% G: g* ?) G* ~) w* h& R7 o
    
57. xlabel('时间（天）');
    * C6 a( p$ ^* k! I
58. ylabel('仿真输出结果');
    ' n1 S\" [* ^6 l, `
59. legend('仿真模拟值','实际值','神经网络预测值');' q5 ?$ U( v. B/ L7 L0 }+ L6 c
    
60. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%$ P4 R2 m6 A! W/ e
    
61. x=1:5;  T! ?( Y5 R, g+ O& O( c6 P\" f) O
    
62. y=1:5;
    & ]/ U' N) X+ K5 a+ G' a
63. plot3(x(1:3),y(1:3),E(x(1:3),y(1:3)))

复制代码