错误使用 network/subsasgn＞network_subsasgn (第 555 行)net.IW{1,1} must be a 5-by-46 matrix.

%% 清空环境

clc

clear

%读取数据

load tower_data_prossed in_tower out_tower

%节点个数

inputnum=size(in_tower,2);% 输入数据的维度（列

hiddennum=5;

outputnum=size(out_tower,2);% 输出数据的维度（列

r=323497;

num_train = 323000;

num_test = 497;

input_train=in_tower(1:num_train,:)';

input_test=in_tower(num_train+1:r,:)';

output_train=out_tower(1:num_train,:)';

output_test=out_tower(num_train+1:r,:)';

%选连样本输入输出数据归一化

[inputn,inputps]=mapminmax(input_train);

[outputn,outputps]=mapminmax(output_train);

%构建网络

net=newff(inputn,outputn,hiddennum);

% 参数初始化

%粒子群算法中的两个参数

c1 = 1.49445;

c2 = 1.49445;

maxgen=100; % 进化次数

sizepop=inputnum*hiddennum+hiddennum+hiddennum*outputnum+outputnum; %种群规模

Vmax=1; % 速度最大值

Vmin=-1;

popmax=5; % 个体变化范围

popmin=-5;

%% 产生初始粒子和速度

for i=1:sizepop

% 产生一个种群

pop(i,:)=5*rands(1,sizepop);

% 初始化速度

V(i,:)=rands(1,sizepop);

% 计算适应度

fitness(i)=fun(pop(i,:),inputnum,hiddennum,outputnum,net,inputn,outputn);

end

% 个体极值和群体极值

[bestfitness,bestindex]=min(fitness);

zbest=pop(bestindex,:); %全局最佳

gbest=pop; %个体最佳

fitnessgbest=fitness; %个体最佳适应度值

fitnesszbest=bestfitness; %全局最佳适应度值

%% 迭代寻优

for i=1:maxgen

i;

for j=1:sizepop

%速度更新

V(j,:) = V(j,:) + c1*rand*(gbest(j,:) - pop(j,:)) + c2*rand*(zbest - pop(j,:));

V(j,V(j,:)>Vmax)=Vmax;

V(j,V(j,:)<Vmin)=Vmin;

%种群更新

pop(j,:)=pop(j,:)+0.2*V(j,:);

pop(j,pop(j,:)>popmax)=popmax;

pop(j,pop(j,:)<popmin)=popmin;

%自适应变异

pos=unidrnd(sizepop);

if rand>0.95

pop(j,pos)=5*rands(1,1);

end

%适应度值

fitness(j)=fun(pop(j,:),inputnum,hiddennum,outputnum,net,inputn,outputn);

end

for j=1:sizepop

%个体最优更新

if fitness(j) < fitnessgbest(j)

gbest(j,:) = pop(j,:);

fitnessgbest(j) = fitness(j);

end

%群体最优更新

if fitness(j) < fitnesszbest

zbest = pop(j,:);

fitnesszbest = fitness(j);

end

end

yy(i)=fitnesszbest;

end

%% 结果分析

plot(yy)

title(['适应度曲线 ' '终止代数＝' num2str(maxgen)]);

xlabel('进化代数');ylabel('适应度');

x=zbest;

%% 把最优初始阀值权值赋予网络预测

% %用遗传算法优化的BP网络进行值预测

w1=x(1:inputnum*hiddennum)

B1=x(inputnum*hiddennum+1:inputnum*hiddennum+hiddennum);

w2=x(inputnum*hiddennum+hiddennum+1:inputnum*hiddennum+hiddennum+hiddennum*outputnum);

B2=x(inputnum*hiddennum+hiddennum+hiddennum*outputnum+1:inputnum*hiddennum+hiddennum+hiddennum*outputnum+outputnum);

net.iw{1,1}=reshape(w1,hiddennum,inputnum);

net.lw{2,1}=reshape(w2,outputnum,hiddennum);

net.b{1}=reshape(B1,hiddennum,1);

net.b{2}=reshape(B2,hiddennum,1);

%% BP网络训练

%网络进化参数

net.trainParam.epochs=500;

net.trainParam.lr=0.1;

net.trainParam.goal=0.00001;

%网络训练

[net,per2]=train(net,inputn,outputn);

%% BP网络预测

%数据归一化

inputn_test=mapminmax('apply',input_test,inputps);

an=sim(net,inputn_test);

test_simu=mapminmax('reverse',an,outputps);

error=test_simu-output_test;