请问这个代码错在哪里，如何进行修改，谢谢

昌辉9

clear
8 Q; V9 G$ z  n& sday=[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];
' \1 C8 v; ?' hdayhistory=day(1:20);%取其中三十天作为历史数据样本
9 S* _( Z; F1 P- N+ V! jdayhismod=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
  ?( z; w8 u6 Ldaypost=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
& {! l2 e$ b3 O( l! ]* S, yt=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
% q3 L8 I3 a% \9 R, @* Adaylast=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;
; y/ `+ Q) A8 R8 t& ^! F9 Drr=reshape(r,5,3);
%%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%
7 G& D+ `& T+ x. p, `net=newff(minmax(p),[5,3],{'purelin' 'purelin'},'trainlm');
4 r5 Q% h; m: |0 _3 n, s8 I8 Q, Ny1=sim(net,p);
% [2 ^4 Z/ B! y% 新建网络，其中minmax(p)为p的没一次输入的最大最小值向量
* u& y7 f5 Y; H  E% 两层的传递函数均为purelin
- S& O1 `, k5 S& ?3 d; A8 H% 训练函数为trainlm
: E3 C) _$ a! U8 V5 _4 T% 所训练的网络大小为[5,5]
+ L; W8 ~  B# W! k+ ^" b+ e% 仿真训练前的网络
5 @7 m9 J/ c1 Z; ~( Z6 O
1 A5 W( F9 ]3 q%%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%
4 o2 n* |1 n' _2 S% network parameters:
! l  t* y% U& O/ l' ]: ?%   epochs--epochs of the train
: v1 Z! z5 z: b6 m/ \%   goal--errors goal of the network
%   lr--learning rate
' F( {9 R9 B  V3 h, O* b%   shows--epochs between the displays
%   time--Maximum time to train in seconds
net.trainParam.epochs=200000;  % 训练次数
nettrainParam.goal=0.0001;  % 误差期望值
% c6 [5 I) Z6 b5 H/ e9 t- G% returns of the train:
6 C. G1 F9 A: s: Y& k+ ^8 a( G%   net--New network
3 c, t5 _/ X; m8 a4 Z2 N. V%    tr--Training record (epoch and perf).
+ Y" Y. ^! N" Z%     Y--Network outputs.
%     E--Network errors.
[net,tr,Y,E]=train(net,p,t);
%%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%
& K' W% L. D. V" m5 \, C, M% ~2 A9 V9 C% input the testing points here %
8 B9 ^2 D# x0 J, p- rtitle('神经网络训练结果');
xlabel('时间（天）');
3 N0 `0 u5 f; _; x: c: U- L! I6 }ylabel('仿真输出结果');
$ q; R2 G! I3 ~! ]4 t/ k/ P, Z3 Y% Elegend('仿真模拟值','实际值','神经网络预测值');
$ a0 p  |! o- N9 d%%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
( ~3 c  K! |$ g5 }8 C7 ex=1:5;
y=1:5;
y21=sim(net,p);
y2=reshape(y21,1,15);
clf
plot(r,y2,'b-^')
hold on
plot(1:20,day,'r-*')
( W2 u& H! M' I% U: S4 n%%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%
y3=sim(net,h3);
( |, N6 _# t+ b# k2 u3 \1 Jplot(21:25,y3,'-*')
hold on
0 @/ C: z0 A/ utitle('神经网络训练结果');
6 ?$ @" Y- [$ V* u9 @# N$ ~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');
%%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
7 _6 ^  P2 V$ X) X# zx=1:5;
y=1:5;
plot3(x,y,E(x,y))
; C7 `3 _9 J$ N  ^8 _8 I8 K  q

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. clear1 e$ y- ]0 s1 t- 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];) p4 e1 i3 s& o; i; s
   
3. dayhistory=day(1:20);%取其中三十天作为历史数据样本\" T/ m0 D: y+ a1 u
   
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
   4 N3 p$ R7 |* G# w) I) w9 F
5. dayday=day(1:15);% 取其中的前25天
   : T, b4 v- d\" y
6. daypost=day(6:20);%取其中的随后25天
   ; @' l# s# Q1 g3 z
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  v! M* H9 j' E% ?7 j) x7 ~
   
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
   2 b% @+ ?$ O7 p6 ~- U9 B
9. daylast=day(16:20);
   ! s$ k4 i8 L5 @6 |( |; ~7 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( g7 \. @5 @1 j5 g) D4 W5 q1 }  o* G9 m
    
11. r=6:20;
    ) ^$ }4 s3 W5 z# U; t\" B
12. rr=reshape(r,5,3);\" i( `. r/ O0 V8 S& X9 _2 X* {
    
13. %%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%6 @  T0 y6 v5 H4 h  s% D/ b$ G! O
    
14. net=newff(minmax(p),[5,3],{'purelin' 'purelin'},'trainlm');
    % Z( I0 {2 D- p
15. y1=sim(net,p);
    & c' a$ Z2 f0 B; [
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( h2 Q( A8 ]8 q
    
17. % 两层的传递函数均为purelin
    5 Q: M4 c) F% J( u, Z
18. % 训练函数为trainlm
    9 z( Q6 x9 e- J* |$ @
19. % 所训练的网络大小为[5,5]8 h* U5 e0 ?, l( A; O6 R
    
20. % 仿真训练前的网络
    . o- h\" q# w# S
21. 
      t- T\" c6 w: o& u, a4 D
22. %%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%
    & I* Q4 z9 Z5 [\" l/ s  D
23. % network parameters:
    ! v* X\" P\" h* \6 m% M, p8 Y
24. %   epochs--epochs of the train; c- ?8 l\" {1 O' L
    
25. %   goal--errors goal of the network
    9 Z( \9 Q; s0 J$ F1 a
26. %   lr--learning rate: l6 Y# I\" u4 G8 U
    
27. %   shows--epochs between the displays7 `  ^1 p9 G% n; r, V1 j$ H
    
28. %   time--Maximum time to train in seconds4 X\" X& d% ^* A
    
29. net.trainParam.epochs=200000;  % 训练次数
    4 k# C- Q* A- G' L8 z6 {
30. nettrainParam.goal=0.0001;  % 误差期望值
    / F2 ?9 [+ |! O1 P, m' K
31. % returns of the train:1 j7 H3 j: ^+ V
    
32. %   net--New network
    + u. ]. z6 T) ]
33. %    tr--Training record (epoch and perf).
    6 R8 k: c  y6 l' g  [$ F\" X
34. %     Y--Network outputs.
    ' S' ?  B. w. a$ {/ T
35. %     E--Network errors.% v9 b4 T3 A& h
    
36. [net,tr,Y,E]=train(net,p,t);   O8 V5 A9 [/ p/ x( e* G8 N' x
    
37. %%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%
    7 l1 c& m! l% J9 j\" C
38. % input the testing points here %
    $ _9 i) r6 z, Q3 L
39. title('神经网络训练结果');
    . o; Y& [; M2 u3 Y. E/ G* A+ I
40. xlabel('时间（天）');
    # |& e* K\" E/ |+ e' v3 [5 y1 f
41. ylabel('仿真输出结果');9 g* K4 _* M, m* V
    
42. legend('仿真模拟值','实际值','神经网络预测值');' V# y\" F4 K/ a\" j* n
    
43. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%- [* [# H  v6 E: M4 B3 d1 b
    
44. x=1:5;: O/ Y\" c7 J0 _5 d4 e& v/ m7 ?
    
45. y=1:5;8 A% f8 `8 ^( k: ^
    
46. y21=sim(net,p);! F  j( z\" C) Y& Y7 _
    
47. y2=reshape(y21,1,15);( _9 o! U5 ?0 s% N$ f0 O
    
48. clf
    0 ~8 _* g7 N! y  D) h0 S9 ~; L
49. plot(r,y2,'b-^')6 [0 T& ~5 C6 H; v* ?( r% S4 S
    
50. hold on( u. ^+ N/ Q# i* G
    
51. plot(1:20,day,'r-*')
    1 I  {\" \% _# l- p7 M4 n
52. %%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%8 @6 Z+ B/ H* C) O
    
53. y3=sim(net,h3);
    0 U9 a# X. k% e; p+ N( D
54. plot(21:21,y3,'-*')3 d* y$ k! d7 n! o7 s$ A
    
55. hold on
    $ }# y& p6 E4 Y; ~$ r
56. title('神经网络训练结果');/ _2 k  L( B% s& Q- m
    
57. xlabel('时间（天）');: ?* b. |3 U. r
    
58. ylabel('仿真输出结果');& W( ^7 v- s0 J4 m7 H; a/ u) }
    
59. legend('仿真模拟值','实际值','神经网络预测值');
    6 [/ I- c5 v  N/ i
60. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%3 H; f+ _3 K3 p: s6 x' o% L. t
    
61. x=1:5;
    ; o7 t$ A\" @  Z  e
62. y=1:5;
    ' L9 f0 _+ u8 L: d
63. plot3(x(1:3),y(1:3),E(x(1:3),y(1:3)))

复制代码