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];
. x! e* j% E, L* l" J  q. f+ Q0 Jdayhistory=day(1:20);%取其中三十天作为历史数据样本
. ?0 ]( i/ ?) Y  ~3 p0 ]6 {# x) ]* G6 edayhismod=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
/ {1 a" ?  R8 C! B3 x0 |' M" q9 I' Gdayday=day(1:15);% 取其中的前25天
daypost=day(6:20);%取其中的随后25天
+ [( t) m5 Y- f% j: \, \! L" ?1 cp=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
% z% j' J0 S# f4 I4 Z8 @! Y; j+ cdaylast=day(16:20);
, \  \2 V) n! X+ }, Qh3=reshape(daylast,5,1);% 将倒数第二个样本作为网络测试时的输入样本
% y' P+ F6 r8 i" ?0 Y9 [  z8 R( Nr=6:20;
6 z& H: W9 j) g6 Y, X6 Hrr=reshape(r,5,3);
%%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%
net=newff(minmax(p),[5,3],{'purelin' 'purelin'},'trainlm');
y1=sim(net,p);
$ g, C5 c3 n: J9 \) R7 H: l% 新建网络，其中minmax(p)为p的没一次输入的最大最小值向量
- w' A' P/ X8 `7 r$ f7 q  r! R% 两层的传递函数均为purelin
7 D4 f0 Q0 C7 |% 训练函数为trainlm
9 s8 e2 e# p/ K7 A; L, C% 所训练的网络大小为[5,5]
3 P* [6 u- u9 S3 A8 s% 仿真训练前的网络

& s! I4 r; d* B6 b%%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%
% network parameters:
9 j/ ]4 m. R0 O6 A- G( _%   epochs--epochs of the train
%   goal--errors goal of the network
%   lr--learning rate
' G; Q/ @. v, o9 h; z8 V%   shows--epochs between the displays
( Y' C2 O. G2 f# z% j( F; y; M%   time--Maximum time to train in seconds
net.trainParam.epochs=200000;  % 训练次数
1 P3 p! b$ |" `, _7 {nettrainParam.goal=0.0001;  % 误差期望值
% returns of the train:
%   net--New network
%    tr--Training record (epoch and perf).
8 h% Y: n* j4 r) b. R  k8 b: a%     Y--Network outputs.
( K' {" D9 J( v: T% e* a: _* m%     E--Network errors.
5 D' e, U0 ^% e/ ^1 e[net,tr,Y,E]=train(net,p,t);
%%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%
% input the testing points here %
title('神经网络训练结果');
xlabel('时间（天）');
ylabel('仿真输出结果');
0 m4 E# b+ L) e0 _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;
y=1:5;
' k7 l4 A. e7 Q7 ?4 jy21=sim(net,p);
- Q  F! l. M- f) z, Y. b. cy2=reshape(y21,1,15);
+ t8 n, `/ z& Z1 ^$ s% C8 A4 B1 x9 uclf
plot(r,y2,'b-^')
hold on
' {2 {% Y. x. H3 k: m! }9 @plot(1:20,day,'r-*')
%%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%
y3=sim(net,h3);
plot(21:25,y3,'-*')
hold on
title('神经网络训练结果');
% G  L1 h- i; _  x8 y' z  zxlabel('时间（天）');
& }7 C$ {  u/ f* O1 o. t" C3 Hylabel('仿真输出结果');
* B. g0 }! l) o' {! V7 Clegend('仿真模拟值','实际值','神经网络预测值');
%%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
x=1:5;
, Q" z" L6 L* [' O9 o% Gy=1:5;
plot3(x,y,E(x,y))

; C, r; V  c3 d/ z* Q/ o

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( d8 g! o- e* j+ G+ B: s
   
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];
   * L4 j8 a' V\" H0 Q5 c1 u
3. dayhistory=day(1:20);%取其中三十天作为历史数据样本9 R4 f! I; l9 ]/ b! }; Z1 D8 ^
   
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
   ! v1 P2 A# U. O- B& F
5. dayday=day(1:15);% 取其中的前25天\" n; ^, t. W2 F2 g- f# G
   
6. daypost=day(6:20);%取其中的随后25天5 C7 w/ Z; H$ a) I. D4 U; f
   
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' t( \* |0 n- p0 J: m
   
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  r1 t  D\" A
   
9. daylast=day(16:20);
   7 J# ~( t6 }. T  u5 e2 i
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
    3 v9 Y4 F2 @9 ]/ z% g. z/ f0 A0 g
11. r=6:20;
    5 Z- S2 g\" w$ j( R  Z# Q$ L7 Q! g8 f
12. rr=reshape(r,5,3);  d2 @0 H: ^) h' c* z7 ^1 b2 }9 G1 C. k
    
13. %%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%/ x. H9 M% V; z/ w0 z$ U5 q! S
    
14. net=newff(minmax(p),[5,3],{'purelin' 'purelin'},'trainlm');- ?  o- M- I6 V! |7 }
    
15. y1=sim(net,p);
    / j8 N! h8 c% h0 m
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 Y; M. R' l2 g
17. % 两层的传递函数均为purelin
    : D\" A. `7 b9 W- |5 p
18. % 训练函数为trainlm1 [# b( L- w: {- a! K3 x
    
19. % 所训练的网络大小为[5,5]' K\" g- i5 N1 ~& t\" ^& x
    
20. % 仿真训练前的网络
    \" l% h$ I7 F/ s
21. 
    % `& T5 P6 P  H$ D; f\" _
22. %%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%
    ! [0 X' D, b0 v4 C+ y+ w
23. % network parameters:
    1 _5 h' G7 ^, k# v7 _/ W
24. %   epochs--epochs of the train
    + ~4 j! n  E# ]5 u4 w6 R. ~1 l
25. %   goal--errors goal of the network/ e  ~/ f4 M# V# X
    
26. %   lr--learning rate1 c! z& ]3 `0 I8 x5 K
    
27. %   shows--epochs between the displays+ c% O2 L# H  [1 S# M. g' N
    
28. %   time--Maximum time to train in seconds
    2 O* u) L' b7 c; S# V2 Q
29. net.trainParam.epochs=200000;  % 训练次数! x5 m& v6 K8 Y/ O+ n' i! H
    
30. nettrainParam.goal=0.0001;  % 误差期望值& {! f3 ~8 z/ k+ ?
    
31. % returns of the train:2 r) j, {! T& X  s: o2 i, Q& l/ a( @
    
32. %   net--New network
    6 ?5 W3 d; o* I2 k' }- z
33. %    tr--Training record (epoch and perf).
    . T; X% F\" U- d2 {& V  x5 u
34. %     Y--Network outputs.
    1 U9 r7 {1 }' R& T% ?
35. %     E--Network errors.! E! g4 |! q0 `
    
36. [net,tr,Y,E]=train(net,p,t);
    % X) f) V5 O2 D: q0 C  D$ h4 x- q
37. %%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%
    / q8 d  l4 M% a. B2 T4 k% g, J4 V
38. % input the testing points here %: p) F* _- c) d
    
39. title('神经网络训练结果');5 K- [: G: R& u- h, O
    
40. xlabel('时间（天）');: I9 z) i% v0 D  Z( \1 _0 }$ K
    
41. ylabel('仿真输出结果');2 n+ c! K: H+ o/ G, r
    
42. legend('仿真模拟值','实际值','神经网络预测值');+ d1 \# Z4 S* G. w+ S) `. C0 D
    
43. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
      N\" G\" P' K( @# Q9 G
44. x=1:5;& f- q8 A* S$ }  v2 [- p
    
45. y=1:5;
    % ?2 L2 g2 k\" [8 z/ j9 |
46. y21=sim(net,p);$ X/ O! M  c4 y
    
47. y2=reshape(y21,1,15);+ x% [. o$ a( `+ r) A
    
48. clf
    + Z6 }# X: w& M
49. plot(r,y2,'b-^')' n/ u# `0 U2 t% P& @
    
50. hold on
    * c6 R; Z8 {+ |& B, Z
51. plot(1:20,day,'r-*')
    6 f& ^  ?% ]5 D! S& Q+ l
52. %%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%
    & ^\" ]( f9 V$ N& R. i8 T
53. y3=sim(net,h3);3 N3 R( Y6 D' U3 a
    
54. plot(21:21,y3,'-*')+ W1 _0 }( K6 U% g
    
55. hold on- N! K0 z  r% b( |9 G4 d* _
    
56. title('神经网络训练结果');
    : }1 v. n\" Y  X! d
57. xlabel('时间（天）');
    1 }5 T& v8 f# `1 Q
58. ylabel('仿真输出结果');
    6 n+ L, _2 ^; W\" i/ b7 W- S9 T
59. legend('仿真模拟值','实际值','神经网络预测值');4 l4 R3 _9 ~3 i% a: [& L! a# D- s
    
60. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%% D2 l0 A4 g! d7 `
    
61. x=1:5;
    # B& V& }) n+ K; `, d* C
62. y=1:5;
    6 ?# x2 z- H& S) F* T0 [# S5 ~! M
63. plot3(x(1:3),y(1:3),E(x(1:3),y(1:3)))

复制代码