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
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
) Z+ `& n3 ^- p. @dayday=day(1:15);% 取其中的前25天
daypost=day(6:20);%取其中的随后25天
7 |2 g: Y: n8 y% 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
1 \6 u6 X# x* D" L) y0 D( ydaylast=day(16:20);
+ R- C0 Q' X* b  l1 W1 k4 x; Oh3=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 W- Q9 [. }) M+ p) ~( j5 Ur=6:20;
& k$ u9 q3 M; Z$ a) trr=reshape(r,5,3);
%%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%
/ o+ l. K% @- N- L# v( 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
% 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]
# R0 V: H2 h3 s8 w7 V- q: k% 仿真训练前的网络

%%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%
* `: Y& _! P8 K  p% r2 @% network parameters:
9 B6 K" {( t+ _%   epochs--epochs of the train
: `  \6 X  F# [7 l, Y# y6 J) y  `%   goal--errors goal of the network
: S6 d2 k2 [) T9 ~, ]: K%   lr--learning rate
% D3 t, d! g  @/ i%   shows--epochs between the displays
%   time--Maximum time to train in seconds
  E' D* X; p4 R8 Unet.trainParam.epochs=200000;  % 训练次数
$ z# e: _9 o1 ^% z  A) onettrainParam.goal=0.0001;  % 误差期望值
% returns of the train:
%   net--New network
%    tr--Training record (epoch and perf).
%     Y--Network outputs.
) Q* Y, z, j" R; V/ U( ^%     E--Network errors.
[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）');
" p2 z$ T( s% A/ e) v2 aylabel('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 %%%%%%%%%%%%%
x=1:5;
' `" N; H0 ^7 u. ?! zy=1:5;
y21=sim(net,p);
9 S' A/ y8 {1 _/ U3 c# d& h' Cy2=reshape(y21,1,15);
3 ?( Q% d6 o9 ]" cclf
4 ?$ D. i" L, H( D5 A' C, J5 Y& tplot(r,y2,'b-^')
4 A* j6 U- w2 yhold on
8 `' d0 A, C* P: f, vplot(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');
! ]  P1 S9 N, yxlabel('时间（天）');
  F: j8 \# g+ o% i# A4 }ylabel('仿真输出结果');
' b8 z( S+ @$ @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;
plot3(x,y,E(x,y))
! B2 k8 R$ N+ g$ }
, I6 A" ^$ P) x8 b! b0 }( v2 I

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
   $ L' ]+ K# F  e: q: S8 _, L
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];3 Q! O* T% u( e( p- j/ m2 T) p
   
3. dayhistory=day(1:20);%取其中三十天作为历史数据样本
   ; j! V: C5 s: f0 V/ ^3 j& Q
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* ]# O0 `1 v6 q$ R+ f\" c
   
5. dayday=day(1:15);% 取其中的前25天
   . w! P3 ?\" c! J1 L
6. daypost=day(6:20);%取其中的随后25天
   / y6 P# `. [, h* s7 r. _3 h
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( S, h) s! _2 |' K( [. {3 k
   
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
   7 y4 g; U1 h9 B4 C, ^. a
9. daylast=day(16:20);
   7 N\" Q, `# H- G% ]
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 ?1 r7 p% ~! D$ d. _
    
11. r=6:20;0 X- f3 k4 K/ y. ~
    
12. rr=reshape(r,5,3);
      e+ Z( ]; Y% I6 j; @
13. %%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%+ Y' ^' |2 e6 O* n& e
    
14. net=newff(minmax(p),[5,3],{'purelin' 'purelin'},'trainlm');
    ( Y! [$ X+ S/ p7 ^7 p  x  d
15. y1=sim(net,p);' `\" P9 s8 y( ]\" @. F  D/ G4 _0 C
    
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( o7 N. z' z) C0 I( o4 }0 ?& e
    
17. % 两层的传递函数均为purelin
    7 x6 E\" m1 T* N/ e
18. % 训练函数为trainlm
      }& B& U9 w* V# D
19. % 所训练的网络大小为[5,5]5 K( \/ r. W5 {- @* V
    
20. % 仿真训练前的网络% x$ b! |- z% `( s
    
21. & l1 @6 j* n2 \+ o
    
22. %%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%1 A* C5 }\" y- W. e4 |# ^! p: `  u8 V
    
23. % network parameters:
    9 w) Y4 }3 @* W2 S
24. %   epochs--epochs of the train
    * {* ]% I) s& r# J/ N3 A+ h
25. %   goal--errors goal of the network  N; B' D- D' W: a$ W  b& b) k
    
26. %   lr--learning rate
    + G! J% T: m* B3 c
27. %   shows--epochs between the displays
    # p* E9 m\" u/ j& z4 O- e' o3 \
28. %   time--Maximum time to train in seconds
    5 G' N/ ^3 Z6 n+ M) T' F4 v
29. net.trainParam.epochs=200000;  % 训练次数
    7 ]$ m6 M$ g: u\" k1 {
30. nettrainParam.goal=0.0001;  % 误差期望值
    / [& L# S% M5 j. }7 T
31. % returns of the train:
    $ m: Q: p% V  C$ I% E$ Y5 S
32. %   net--New network
    & D. N' _- m& e$ x0 \! [
33. %    tr--Training record (epoch and perf).' H& B6 |: R& [5 p6 ]& x
    
34. %     Y--Network outputs.
    8 Y/ J4 S! K9 l# V0 z& ]
35. %     E--Network errors.
    1 v1 v6 ~5 D! g! F& u
36. [net,tr,Y,E]=train(net,p,t); 0 }* e9 F, S, @
    
37. %%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%& m8 \- y0 u$ e* S8 R  m
    
38. % input the testing points here %
    6 }0 {3 `/ P# r' J8 o
39. title('神经网络训练结果');( y; R$ H4 B+ m
    
40. xlabel('时间（天）');
    0 J0 Q1 K8 E5 h; |1 G# m, @
41. ylabel('仿真输出结果');
    , A8 i' C; I1 I& a) |
42. legend('仿真模拟值','实际值','神经网络预测值');
    : @( `7 v* ?3 o$ e/ Y5 v
43. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
    : z: L3 z; V* S8 O$ ^( v
44. x=1:5;2 l8 z! @6 a* v& r; N% M& @
    
45. y=1:5;
    , }+ B7 m! L6 ?$ u0 z+ q9 P+ |
46. y21=sim(net,p);
    / x3 Q) L  @1 m: u6 t
47. y2=reshape(y21,1,15);/ U, }& L9 ~0 G
    
48. clf3 S2 |\" B% Q* h( d4 z1 Q
    
49. plot(r,y2,'b-^')
    # u& y, g% M  N# x: H3 O' l3 _\" t; w
50. hold on
    - x! b- c- v  O- G0 p% Q
51. plot(1:20,day,'r-*')
    7 O( @$ y; F$ b0 S, x
52. %%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%
    2 s! `\" u3 R! ?6 P3 s
53. y3=sim(net,h3);
    6 n# `! Q  \2 ?+ J5 f# C\" Q3 W. }, i
54. plot(21:21,y3,'-*')+ W- X. O. e! @9 w  ]. \! \) ]
    
55. hold on; @9 `+ B& H6 Z3 I2 ]
    
56. title('神经网络训练结果');+ Y: z0 ?' k( P4 L
    
57. xlabel('时间（天）');
      B5 Y+ o1 T' b# O' s$ |
58. ylabel('仿真输出结果');8 {: l9 D4 K$ F. [& _
    
59. legend('仿真模拟值','实际值','神经网络预测值');
    % |& z6 X4 k4 N
60. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%  s- C$ o0 U2 @$ e
    
61. x=1:5;' J9 Y1 C/ y3 r. c7 n% X% h
    
62. y=1:5;
    , O) V5 m! I9 `- U
63. plot3(x(1:3),y(1:3),E(x(1:3),y(1:3)))

复制代码