请问这个代码错在哪里，如何进行修改，谢谢

昌辉9

clear
9 W; ^/ {' l; i0 `4 Q5 hday=[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
dayday=day(1:15);% 取其中的前25天
& Q$ Y. l- S; U; q  ddaypost=day(6:20);%取其中的随后25天
) ]( `8 J5 D; f3 |6 g. U; a4 ~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
" n; V  U. {* K0 p% x- S/ wt=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
daylast=day(16:20);
4 u1 l* U$ t7 a0 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
( D3 N! M& {1 e9 G1 Fr=6:20;
rr=reshape(r,5,3);
%%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%
) f# i# m8 f4 v- _3 X' g" D4 Wnet=newff(minmax(p),[5,3],{'purelin' 'purelin'},'trainlm');
y1=sim(net,p);
% {5 e' x& g/ c! 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
% 两层的传递函数均为purelin
0 s; h3 d; s- l1 i. T# y# f$ p* h; U% L% 训练函数为trainlm
& U( g3 s$ U& P7 q# f7 H% 所训练的网络大小为[5,5]
% 仿真训练前的网络
4 o+ p1 A! M. @& }) J9 Z9 N
$ o$ q2 N) W! M0 ?: P; }5 w# {( w. _%%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%
% network parameters:
- _' K5 s- w! H$ G! O& p%   epochs--epochs of the train
%   goal--errors goal of the network
/ m; U1 m: U# |%   lr--learning rate
5 q' e; k9 d/ w4 M# F$ K4 |%   shows--epochs between the displays
%   time--Maximum time to train in seconds
net.trainParam.epochs=200000;  % 训练次数
9 U. S- T& H  ?# C1 ~nettrainParam.goal=0.0001;  % 误差期望值
& K2 q3 |0 s' h" E/ g# Y% returns of the train:
9 u& i1 M6 w  G7 X%   net--New network
/ s1 J$ T# |/ _; C" H1 D  Q1 P: m%    tr--Training record (epoch and perf).
* r8 A) V6 d9 ]. p- R. t! `3 ?%     Y--Network outputs.
%     E--Network errors.
[net,tr,Y,E]=train(net,p,t);
, h9 y! C+ o: h; z6 P, @%%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%
% input the testing points here %
title('神经网络训练结果');
( w- ?' ^+ S; F2 w6 [/ q( Mxlabel('时间（天）');
7 V' c4 ?6 s& ~9 }" ~2 T+ qylabel('仿真输出结果');
legend('仿真模拟值','实际值','神经网络预测值');
* w8 A, j4 w1 l% |% C/ f%%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
x=1:5;
$ D2 C( M4 R3 D4 Zy=1:5;
y21=sim(net,p);
# S( t% l% K$ x% C% Iy2=reshape(y21,1,15);
4 r) i9 s5 |9 f, g& ]' O1 L2 Sclf
plot(r,y2,'b-^')
hold on
plot(1:20,day,'r-*')
%%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%
6 |( b' d: F6 ]7 M+ K5 T5 T, Gy3=sim(net,h3);
' u+ P: T, C2 i+ ?plot(21:25,y3,'-*')
* A- o* u: s0 dhold on
- C! Y. x' y- U2 s9 ~8 _title('神经网络训练结果');
3 @$ ]+ a+ i! G/ k# Oxlabel('时间（天）');
( C. _6 q0 R, ], X# f0 Q" }8 Oylabel('仿真输出结果');
9 B5 i& u: ]3 Nlegend('仿真模拟值','实际值','神经网络预测值');
5 V7 d( l! U5 p# u# I. K( `%%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
x=1:5;
5 M( x/ A7 ~  X" ?$ ty=1:5;
5 R) {) f4 [! S, G9 l* wplot3(x,y,E(x,y))
+ w9 E) w4 ^( C( v0 c9 \

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. clear6 f3 M; s: y6 b4 d; I6 f\" m7 Z! ]6 F
   
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];
   & H3 W  F+ C6 g& b- P& R
3. dayhistory=day(1:20);%取其中三十天作为历史数据样本
   5 c! R4 {8 n+ G0 G0 V  v1 j
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3 x) e' v) d8 t5 s/ m$ l
   
5. dayday=day(1:15);% 取其中的前25天
   8 l0 {3 Q  x: o
6. daypost=day(6:20);%取其中的随后25天% l1 y1 s# m\" I% A; F1 l+ H. n, 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
   5 J( q6 x8 E! a. ^, y! O# _0 d\" ]6 x
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
   + S' T\" i2 ?$ v* s
9. daylast=day(16:20);
   : Z/ }, ]\" M8 ^: w0 |
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
    0 _0 T1 U* p6 ?% V9 P; O\" V
11. r=6:20;- s2 {+ m% R  U$ ^+ F' j
    
12. rr=reshape(r,5,3);
    $ ~; ~\" f2 ]: M# ?\" f% m
13. %%%%%%%%%%%%%% 新建网络bp %%%%%%%%%%%%%%%%
    ( C; X; z( w7 U% m* C0 F  r
14. net=newff(minmax(p),[5,3],{'purelin' 'purelin'},'trainlm');
    2 x% f0 T( D: q& [8 ?( L
15. y1=sim(net,p);; W\" r( _8 u3 `3 k\" ]' F) m8 S3 B& l
    
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
    , e6 G& X8 Y, {
17. % 两层的传递函数均为purelin% `\" b9 U2 p\" V( p' k$ I% ^/ T2 Y. B! z0 o
    
18. % 训练函数为trainlm) w\" N2 C+ s8 d0 D# |
    
19. % 所训练的网络大小为[5,5]
    : S2 w' _9 q3 Z' ^) q% B1 B8 ^
20. % 仿真训练前的网络$ k9 Q9 R. a/ c- O, ~
    
21. 
    % L5 z6 x' r( E1 G/ p
22. %%%%%%%%%%%  进行网络训练  %%%%%%%%%%%%%%
    , L) h6 x- {  F4 O$ {/ s( l& X
23. % network parameters:
    % ^! \, n4 a$ m6 m( C- z
24. %   epochs--epochs of the train0 L1 s0 }! f% m4 B, g5 Q% a, |
    
25. %   goal--errors goal of the network. m; F8 }$ T$ Y5 q7 Y/ m6 e
    
26. %   lr--learning rate
    ; x! I& J  y! T# ^
27. %   shows--epochs between the displays- S9 }# R' L7 u* o* {7 c, p
    
28. %   time--Maximum time to train in seconds
    ' \4 [$ b/ g) r' m
29. net.trainParam.epochs=200000;  % 训练次数
    9 V8 ~' }2 i6 f\" s2 f$ d
30. nettrainParam.goal=0.0001;  % 误差期望值! \. M. n5 s6 o  d) G
    
31. % returns of the train:9 v& x4 I1 p4 e  W2 H) Z  r$ e0 A* r
    
32. %   net--New network+ ]3 G4 H5 Z/ F9 o7 u\" S7 r0 K6 Q4 e
    
33. %    tr--Training record (epoch and perf).
    & E% N2 P0 n* c
34. %     Y--Network outputs.: s4 u& G& R2 ^- e0 e: `% p
    
35. %     E--Network errors.0 ]& g) q: t( Q\" D5 ~
    
36. [net,tr,Y,E]=train(net,p,t);
    9 Q\" r6 R: w) o- Y3 J! b7 g# x
37. %%%%%%%%%%%  网络测试 %%%%%%%%%%%%%%%%
    1 q\" k# e! ^8 n$ D! o
38. % input the testing points here %/ T5 [\" t& m, s- Q4 m. Z' \
    
39. title('神经网络训练结果');6 o# y2 i* s  W! A7 ?
    
40. xlabel('时间（天）');
    5 q+ y2 ~7 Y; o6 _
41. ylabel('仿真输出结果');
    5 V( ~8 L4 k2 y# g
42. legend('仿真模拟值','实际值','神经网络预测值');
    9 N( y, X  ^+ V+ l\" l
43. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%' z9 l$ B, \5 l8 k5 M
    
44. x=1:5;1 S& o( Y; _9 F
    
45. y=1:5;5 g* s- d9 h& g4 I# E5 V
    
46. y21=sim(net,p);& v( m1 p5 C& T; |3 m
    
47. y2=reshape(y21,1,15);( |- Z. D' c4 t\" o& T& h
    
48. clf7 b! k9 e* v* g3 `+ i\" B9 o
    
49. plot(r,y2,'b-^')1 ]) n( D) N/ @, o
    
50. hold on1 r4 J* e2 A' Z% n: Y% N+ I
    
51. plot(1:20,day,'r-*')$ x. L0 D+ c$ d) r; t$ N
    
52. %%%%%%%%%%%%% 预测 %%%%%%%%%%%%%%%\" u4 |3 v* x$ _$ T$ ~0 [3 B2 E
    
53. y3=sim(net,h3);
    1 t9 [* v* P* C7 \& ~, A
54. plot(21:21,y3,'-*')5 p! F. h. [) ~- E  k4 X8 m
    
55. hold on) A\" u\" p0 K3 g
    
56. title('神经网络训练结果');* g  c) g: ?. X( y1 a  h
    
57. xlabel('时间（天）');
    + L4 y4 x% [& K( q4 h, U1 ]\" D
58. ylabel('仿真输出结果');
    0 o, C5 f* S\" j/ L+ q
59. legend('仿真模拟值','实际值','神经网络预测值');: R: }8 X! u; w4 }# M/ D9 Y
    
60. %%%%%%%%%%%%%%%%%%  绘制误差曲面 %%%%%%%%%%%%%
    ' s7 m$ C  ~( {; t  W
61. x=1:5;
    / x. @9 x\" u: Y! x$ }2 P
62. y=1:5;' u& ^0 {& y2 s5 B
    
63. plot3(x(1:3),y(1:3),E(x(1:3),y(1:3)))

复制代码