求助：圆括号或方括号不对称或异常，怎么办？

beachsun

P=[3.2 3.2 3 3.2 3.2 3.4 3.2 3 3.2 3.2 3.2 3.9 3.1 3.2;
9.6 10.3 9 10.3 10.1 10 9.6 9 9.6 9.2 9.5 9 9.5 9.7;
3.45 3.75 3.5 3.65 3.5 3.4 3.55 3.5 3.55 3.5 3.4 3.1 3.6 3.45;
! a- ~: ~3 d5 G( |+ f$ F2.15 2.2 2.2 2.2 2 2.15 2.14 2.1 2.1 2.1 2.15 2 2.1 2.15;
140 120 140 150 80 130 130 100 130 140 115 80 90 130;
$ C# J- x  A0 I' r2.8 3.4 3.5 2.8 1.5 3.2 3.5 1.8 3.5 2.5 2.8 2.2 2.7 4.6;
11 10.9 11.4 10.8 1.3 11.5 11.8 11.3 11.8 11 11.9 13 11.1 10.85;
50 70 50 80 50 60 65 40 65 50 50 50 70 70];
T=[2.24 2.33 2.24 2.32 2.2 2.27 2.2 2.26 2.2 2.24 2.24 2.2 2.2 2.35];
3 n1 M3 a- {- h' M6 W[p1,minp,maxp,t1,mint,maxt]=premnmx(P,T);
%创建网络
" g: c2 ]- {" C- U$ C, enet=newff(minmax(P),[8,6,1];{'tansig','tansig','purelin'};'trainlm');
%设置训练次数
net.trainParam.epochs = 5000;
%设置收敛误差
$ m% I4 ?! o4 F7 J" Q6 nnet.trainParam.goal=0.0000001;
%训练网络
[net,tr]=train(net,p1,t1);
0 k/ K0 _3 ]) B5 m6 aTRAINLM, Epoch 0/5000, MSE 0.533351/1e-007, Gradient 18.9079/1e-010
TRAINLM, Epoch 24/5000, MSE 8.81926e-008/1e-007, Gradient 0.0022922/1e-010
' G( N5 Q/ A0 r5 U$ u3 W# QTRAINLM, PeRFormance goal met.
" K: X3 ]1 R4 c8 y5 e, `1 J
%输入数据
a=[3.0;9.3;3.3;2.05;100;2.8;11.2;50];
%将输入数据归一化
* {+ G- x5 [3 v6 wa=premnmx(a);
  d8 y; C% E9 x6 u  t6 g%放入到网络输出数据
8 x$ _! v5 w0 t  w% P. I& `b=sim(net,a);
) r; x) v/ X# o4 U! i- i+ m1 I%将得到的数据反归一化得到预测数据
c=postmnmx(b,mint,maxt);
c;
2 _+ o1 t  M% h5 ?4 {

youOK

help ,哈哈哈

uperrua

仅供参考
P=[3.2 3.2 3 3.2 3.2 3.4 3.2 3 3.2 3.2 3.2 3.9 3.1 3.2;
9.6 10.3 9 10.3 10.1 10 9.6 9 9.6 9.2 9.5 9 9.5 9.7;
3 \; t, X7 a) \% e# u3.45 3.75 3.5 3.65 3.5 3.4 3.55 3.5 3.55 3.5 3.4 3.1 3.6 3.45;
' {+ d4 z# K1 E2 D2.15 2.2 2.2 2.2 2 2.15 2.14 2.1 2.1 2.1 2.15 2 2.1 2.15;
6 t6 v- h. h5 }8 a. `" f' B  H- H# A140 120 140 150 80 130 130 100 130 140 115 80 90 130;
3 x' ^( H* f. y0 ~2.8 3.4 3.5 2.8 1.5 3.2 3.5 1.8 3.5 2.5 2.8 2.2 2.7 4.6;
11 10.9 11.4 10.8 1.3 11.5 11.8 11.3 11.8 11 11.9 13 11.1 10.85;
50 70 50 80 50 60 65 40 65 50 50 50 70 70];
. g  W1 |. H; T/ b- k& M" bT=[2.24 2.33 2.24 2.32 2.2 2.27 2.2 2.26 2.2 2.24 2.24 2.2 2.2 2.35];
# w. X4 m+ M; X9 F! w[p1,minp,maxp,t1,mint,maxt]=premnmx(P,T);
; k4 t3 ^9 |8 u# u% _%创建网络
net=newff(minmax(P),[8,6,1],{'tansig','tansig','purelin'},'trainlm');
2 s- j9 @. k) k' s" ]; Y%设置训练次数
net.trainParam.epochs = 5000;
%设置收敛误差
net.trainParam.goal=0.0000001;
8 M( x- E2 a0 ?8 W" @3 X+ D%训练网络
$ a3 Y/ V( m! W7 K" J- l! z[net,tr]=train(net,p1,t1);
9 o+ O! X0 M$ R% TRAINLM, Epoch 0/5000, MSE 0.533351/1e-007, Gradient 18.9079/1e-010
% TRAINLM, Epoch 24/5000, MSE 8.81926e-008/1e-007, Gradient 0.0022922/1e-010
% TRAINLM, Performance goal met.
$ t3 b& t2 F, S$ V& K
- l6 \+ y. @' n% L! V' l%输入数据
1 `2 V! L. t! D' a* J# ^: Q$ ~a=[3.0;9.3;3.3;2.05;100;2.8;11.2;50];
' z' z7 a) b' ^, J! Q%将输入数据归一化
a=premnmx(a);
%放入到网络输出数据
* N/ v* J* r5 G: z6 B( Mb=sim(net,a);
%将得到的数据反归一化得到预测数据
c=postmnmx(b,mint,maxt);
8 S& T8 J; [. t/ ~% J# ^: t) Nc;