请问这个代码错在哪里，如何进行修改，谢谢

昌辉9

clear
: C- L, G8 k# L( r0 R" z+ H9 {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
0 ]: j9 n; u+ C1 R6 Hdayhismod=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
* T( @9 R4 K7 M2 Sdayday=day(1:15);% 取其中的前25天
daypost=day(6:20);%取其中的随后25天
/ C% H8 J5 b5 c- h' J. j& ^" [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
0 ?4 a* ?. h7 wdaylast=day(16:20);
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, w# {  o1 S0 \0 I  mr=6:20;
- I) _# ]7 |; q! R# Krr=reshape(r,5,3);
%%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%
3 o: a$ k/ Q; X6 _* t. u; Pnet=newff(minmax(p),[5,3],{'purelin' 'purelin'},'trainlm');
, ^& Q+ o1 @: `9 l) c3 fy1=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
% 训练函数为trainlm
% 所训练的网络大小为[5,5]
/ B6 b, h2 f3 Q! K# n  L% 仿真训练前的网络

%%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%
0 X* O7 ?" n/ S& f% network parameters:
%   epochs--epochs of the train
%   goal--errors goal of the network
; i* g$ C4 Q! j' b' w' d%   lr--learning rate
, J4 Y  [2 b0 N1 n%   shows--epochs between the displays
3 Z: X6 C( ^! i- }$ B! q( z2 I%   time--Maximum time to train in seconds
net.trainParam.epochs=200000;  % 训练次数
! t8 r- u; Q7 k, U2 k; E& EnettrainParam.goal=0.0001;  % 误差期望值
% returns of the train:
%   net--New network
%    tr--Training record (epoch and perf).
) r. |; e! e8 ^7 y& f' N4 ^: `%     Y--Network outputs.
%     E--Network errors.
3 B/ g) r- }2 [0 s[net,tr,Y,E]=train(net,p,t);
$ H: f" @! Z8 ]6 s$ d. J%%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%
% input the testing points here %
0 Y( ^. i- E$ xtitle('神经网络训练结果');
  N) L: D" |& G; Z0 mxlabel('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 %%%%%%%%%%%%%
3 |6 o: J: v' r4 }2 Ux=1:5;
y=1:5;
y21=sim(net,p);
y2=reshape(y21,1,15);
: v; H5 G& t) l0 Rclf
plot(r,y2,'b-^')
hold on
. U! S" U0 v+ y' h) y' J+ X# Z8 rplot(1:20,day,'r-*')
" ]6 b9 L1 D4 s6 g9 A; E9 U' J3 e%%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%
y3=sim(net,h3);
plot(21:25,y3,'-*')
hold on
0 @8 \# r; i4 etitle('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');
# |' w) T: n6 D9 }  X%%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
, L8 G$ d( F  j* |x=1:5;
y=1:5;
1 P! N% `# r: g9 v; k* U- Pplot3(x,y,E(x,y))

% z, Q3 U0 t& f6 w+ G! {$ 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
   + k: z% c& a3 ]- k6 {4 e, y
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];5 v% C4 r9 W# X, ~
   
3. dayhistory=day(1:20);%取其中三十天作为历史数据样本9 i+ `0 ]! v9 _$ k( 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. f* T5 T) T3 Y2 `
   
5. dayday=day(1:15);% 取其中的前25天$ f4 r1 q  y) O& E4 W# I* ?
   
6. daypost=day(6:20);%取其中的随后25天
   . s& }( E( a( Z3 J* @
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0 |$ n# p/ P2 C7 s2 z1 P  i% b0 F
   
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
   * {9 q3 @7 ]1 r2 g+ @
9. daylast=day(16:20);: |. N1 `) A% x: g8 T$ ^8 }( E
   
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7 b7 L. w6 K4 y) d! I5 Z0 H9 Z
    
11. r=6:20;
    9 m6 y0 E6 S; D
12. rr=reshape(r,5,3);
    ! Q, q6 l5 A0 l0 b2 k9 d7 W
13. %%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%
    6 `& D1 t8 z5 t$ u* z# c
14. net=newff(minmax(p),[5,3],{'purelin' 'purelin'},'trainlm');) y& f8 i7 Q1 G\" j& L: w
    
15. y1=sim(net,p);1 S; h4 p\" l# d* g
    
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
    $ m8 ?\" q/ Q% M' m& L( W9 B' C. x2 J
17. % 两层的传递函数均为purelin) U1 Q9 @2 x8 t) i- L+ {
    
18. % 训练函数为trainlm
    \" j* P3 }; t3 j, c! s$ l* k
19. % 所训练的网络大小为[5,5]
    # t9 o& L/ g' P; m. Z  [( U
20. % 仿真训练前的网络
    ' R* [5 R2 X; q  M- T. k7 T
21. 
    4 ?\" p, e8 e% R
22. %%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%' Q: n5 v& N# B! w  d' t1 x4 v
    
23. % network parameters:
    ! C# I: Z- E) f/ P$ z, E7 {: _
24. %   epochs--epochs of the train, D9 w5 d1 L  l( T: j9 D' @\" L
    
25. %   goal--errors goal of the network
    3 J, f\" M  [3 q. ^6 e1 h4 ]; a. `
26. %   lr--learning rate
    ) e# y( ^8 J4 m1 t. Y
27. %   shows--epochs between the displays+ B% h1 J6 F/ z
    
28. %   time--Maximum time to train in seconds
    . [8 H\" u5 P\" c  e
29. net.trainParam.epochs=200000;  % 训练次数
    9 ^- }1 b2 E2 z* `- d
30. nettrainParam.goal=0.0001;  % 误差期望值
    2 b3 y. Z* O3 z$ n\" _
31. % returns of the train:
    5 _% w4 G8 N6 z( L7 @8 C\" P' b
32. %   net--New network% b' N* p. y! Z* S5 P: i
    
33. %    tr--Training record (epoch and perf).5 @2 J\" [9 F: g- H+ Y1 S
    
34. %     Y--Network outputs.  A3 z! \2 d6 Y& n2 a6 I0 R% F+ y
    
35. %     E--Network errors.
    , y& j. V5 G7 n
36. [net,tr,Y,E]=train(net,p,t);
    1 |- A0 _# V4 K: Y* x3 V* T$ `
37. %%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%
    / _0 I  l+ l+ f: F* U( E# H
38. % input the testing points here %
    ; P( [\" g, A; `1 ?* o
39. title('神经网络训练结果');6 ~+ p0 M; x3 t8 ~- j* h- S
    
40. xlabel('时间（天）');
    # `3 K6 J- K- Z\" _3 f$ {
41. ylabel('仿真输出结果');4 b# A* \0 y+ y* t' ?& g
    
42. legend('仿真模拟值','实际值','神经网络预测值');6 ?: F# ]( V$ i, s, l! U/ l' ]
    
43. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%$ v0 T2 v8 [, L/ q9 M* u2 r
    
44. x=1:5;
    4 J) W8 {1 A% Z8 \
45. y=1:5;7 R; H' S: |, |6 _1 i# f3 w
    
46. y21=sim(net,p);
    5 j6 C/ M$ c3 ^
47. y2=reshape(y21,1,15);
    # ^8 s1 c1 ~' q, ~9 U4 L# I6 f
48. clf
    4 w) i/ h% O' |6 ]  t  M
49. plot(r,y2,'b-^')
    2 f6 \# ~0 H* i) i4 R# a8 }- q
50. hold on; q; D! x! M9 y( [- v* f8 Z
    
51. plot(1:20,day,'r-*')
    / Q3 ^8 e* [2 ]7 T' Y3 N; W( |
52. %%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%
      _0 |  f' W8 |6 ^( E. t4 n$ l- L  a8 L
53. y3=sim(net,h3);+ s# T+ L4 K+ g1 H- |\" q# ~
    
54. plot(21:21,y3,'-*')
    # z( [6 W; l9 w% D
55. hold on
    9 p+ c! o( I7 z; _/ d( X
56. title('神经网络训练结果');
    8 w. I. o1 M+ C* W
57. xlabel('时间（天）');
    : S9 P- Y% t$ ^6 L( \
58. ylabel('仿真输出结果');
    & v$ d2 F# c& z6 M
59. legend('仿真模拟值','实际值','神经网络预测值');* e7 G4 r8 k2 b
    
60. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
    # z\" @) {# R6 l\" h( I; F
61. x=1:5;' a0 W8 Z\" @8 Y* Q
    
62. y=1:5;
    6 q* L/ ^/ f* X\" N+ o0 A
63. plot3(x(1:3),y(1:3),E(x(1:3),y(1:3)))

复制代码