请问这个代码错在哪里，如何进行修改，谢谢

昌辉9

clear
. \% `  X( o! ?) S& d& j- Eday=[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];
9 H" G( t7 P$ r. ldayhistory=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
dayday=day(1:15);% 取其中的前25天
daypost=day(6:20);%取其中的随后25天
* n1 V& l1 {& @4 Fp=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
6 Y5 y+ ~0 @! n2 edaylast=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
r=6:20;
' W! `+ }" D2 m9 g, hrr=reshape(r,5,3);
% {5 z% a& {; q8 n( e: H%%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%
net=newff(minmax(p),[5,3],{'purelin' 'purelin'},'trainlm');
y1=sim(net,p);
5 K2 D1 m+ A/ v( \% 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 v+ g2 |( a  q0 t, R5 x6 l% 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]
$ n: }; M3 ?8 u" v% 仿真训练前的网络

# n' O6 a# F1 I5 b) K/ _# h%%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%
% network parameters:
7 E4 y, v' U3 N) C5 p%   epochs--epochs of the train
%   goal--errors goal of the network
%   lr--learning rate
0 A9 Z9 X8 W, ~) A2 J%   shows--epochs between the displays
* }- p1 \  @' G4 p7 Y3 x7 o9 I& |& @%   time--Maximum time to train in seconds
- m: J8 c: c. a& E$ O, hnet.trainParam.epochs=200000;  % 训练次数
- J/ l: L1 Z  F) b' r' o8 _nettrainParam.goal=0.0001;  % 误差期望值
0 {! j9 f8 Q0 [2 X6 [% returns of the train:
%   net--New network
%    tr--Training record (epoch and perf).
% ]) j0 `1 G6 M%     Y--Network outputs.
1 g1 d' n  O' a, l# u- u: R%     E--Network errors.
[net,tr,Y,E]=train(net,p,t);
%%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%
% input the testing points here %
* P2 T' x% q$ R9 M8 ~6 jtitle('神经网络训练结果');
8 |, k6 j# Q7 U6 D1 Z/ N; m5 ixlabel('时间（天）');
ylabel('仿真输出结果');
, r4 F6 A7 F1 d6 p3 elegend('仿真模拟值','实际值','神经网络预测值');
# I& U  H8 j3 r4 Q( Z7 R%%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
x=1:5;
3 H9 j: f( T9 U' ?y=1:5;
, G- l% z) D  U1 h* X$ I+ j& jy21=sim(net,p);
y2=reshape(y21,1,15);
clf
plot(r,y2,'b-^')
hold on
. K# `& w& v; h/ S3 E( Wplot(1:20,day,'r-*')
# M) P8 I6 A* M3 \%%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%
; L$ j6 B1 W8 B5 B3 p4 Q4 cy3=sim(net,h3);
plot(21:25,y3,'-*')
0 |  q7 E, _  Y; s6 |9 y; Qhold on
title('神经网络训练结果');
xlabel('时间（天）');
* g; H  E& Y( V  W, B, k0 |" Iylabel('仿真输出结果');
: u! E% ^2 z: T' a4 H. n( ylegend('仿真模拟值','实际值','神经网络预测值');
%%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
# e2 A) Y1 {# @x=1:5;
y=1:5;
plot3(x,y,E(x,y))
, U# ~- i7 X7 t) t" b- |& C9 r

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* A% `8 {. I4 g1 _
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];
   4 n4 `& ~4 k/ c# D
3. dayhistory=day(1:20);%取其中三十天作为历史数据样本
   3 L: q, ~' F- N
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5 ~# q& H( E& S3 B+ P
   
5. dayday=day(1:15);% 取其中的前25天
   * H- u: l/ y$ U8 Z+ W7 R
6. daypost=day(6:20);%取其中的随后25天
   3 `& `7 A0 g: r1 {$ p5 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
   , {- r. q4 a/ o, T
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% m3 K; B* p* A) G7 t. H% ^
   
9. daylast=day(16:20);! ]: ?7 y. X7 W' |
   
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
    1 A: G( z: S0 J0 B( x\" Q' j! z7 W* ?
11. r=6:20;
    5 D2 [6 o' C& h5 r5 f! _
12. rr=reshape(r,5,3);
    8 v5 {9 d7 p8 q$ k9 @' h
13. %%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%9 Q+ Y7 c8 V  _3 C
    
14. net=newff(minmax(p),[5,3],{'purelin' 'purelin'},'trainlm');' Q8 p* I& w% q, X$ R0 C+ J  A  n2 C: i
    
15. y1=sim(net,p);& ?/ Y+ l5 t! i2 y$ {3 h. p( ^
    
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
    / J5 n% Z* B. b8 O
17. % 两层的传递函数均为purelin5 n8 h' |5 V5 U  z8 _* j/ c
    
18. % 训练函数为trainlm
    6 D9 Y: A\" Y0 C; b0 ?' ?
19. % 所训练的网络大小为[5,5]
    5 X6 V, z' {% s* |* p
20. % 仿真训练前的网络9 E& T% h) r9 [# N$ Z3 ]9 b: v! y
    
21. + B! {+ F  u3 ~# L2 }8 N: |
    
22. %%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%% y\" b% f0 L- V5 b7 f- H
    
23. % network parameters:
    . F' a, b9 a0 K& C: U$ X  @. L* ]
24. %   epochs--epochs of the train
    : Y6 S- c% ?9 g* Y
25. %   goal--errors goal of the network  z/ v8 _4 p- b; e6 |, ]9 T
    
26. %   lr--learning rate
    $ E6 ~\" S( r& a2 T  n- ]0 m
27. %   shows--epochs between the displays
    3 N6 Y$ \4 B, R# B% p
28. %   time--Maximum time to train in seconds
    : w( P) G( _/ D* r
29. net.trainParam.epochs=200000;  % 训练次数
    ( |# x0 A, j1 X) ^8 H, |
30. nettrainParam.goal=0.0001;  % 误差期望值* `. u; @. c\" L+ x
    
31. % returns of the train:: s\" O% n: O1 C- C2 ?
    
32. %   net--New network
    6 O\" B- l' g! c# j+ R
33. %    tr--Training record (epoch and perf).
    5 o7 e& [* T5 x3 }
34. %     Y--Network outputs.' F# a9 n3 }. h
    
35. %     E--Network errors./ c9 D$ l1 F5 V
    
36. [net,tr,Y,E]=train(net,p,t);
    $ x0 m- D9 b  ]: b* ]
37. %%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%
    - Z* F8 Y4 J\" ^7 X+ S( C% K
38. % input the testing points here %
    - v5 m) o$ I- M
39. title('神经网络训练结果');
      m7 u& k9 U% k( {
40. xlabel('时间（天）');* M# G' o) D+ a9 b* H, J
    
41. ylabel('仿真输出结果');
    / L  V. l9 j3 {\" Q! Q2 ~
42. legend('仿真模拟值','实际值','神经网络预测值');
    ( }) R. H# G' [: r+ ~# Z# O9 a% x- Y
43. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
    4 M  I; A1 N; L8 G# Y& {
44. x=1:5;
    # k1 Q4 I8 ~: P- }$ T6 O: _\" T' r( A
45. y=1:5;9 o\" p3 F4 V% [$ w9 e+ h2 K  W& R& O
    
46. y21=sim(net,p);) q/ d; z# m9 r3 m3 b+ V4 C; r
    
47. y2=reshape(y21,1,15);  {6 W0 x6 A% G6 M/ e; r& G: i
    
48. clf
    $ K7 g- d) f1 @9 T: h, {5 a
49. plot(r,y2,'b-^')' I! M# n- X6 u8 x1 V4 F
    
50. hold on+ `7 `& @: }+ h\" f) A3 I
    
51. plot(1:20,day,'r-*')
    # B7 U, D* p\" V& b! ?0 j- j! T
52. %%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%
    2 t\" E/ n( j3 L% C% |
53. y3=sim(net,h3);
    # h$ P2 S/ V. C. t% _  ~+ e
54. plot(21:21,y3,'-*')
    0 K% H/ l1 K\" F' e\" v' y\" J
55. hold on7 r! p2 q8 p* v\" V7 ~8 ~
    
56. title('神经网络训练结果');
    ) j, ^- B* z; ?$ m5 x( N
57. xlabel('时间（天）');
    ' F* J/ s. }( L2 J7 c8 q. w/ G
58. ylabel('仿真输出结果');2 D; z! P% u* [  l$ ^6 d8 Y! d# H
    
59. legend('仿真模拟值','实际值','神经网络预测值');0 Z: _) S. `6 V; S\" n
    
60. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%+ n- c$ w7 k# m
    
61. x=1:5;% y* K! }\" a4 ^4 B6 _
    
62. y=1:5;) r6 S- |* S9 O5 p, [4 \; g
    
63. plot3(x(1:3),y(1:3),E(x(1:3),y(1:3)))

复制代码