将数据集保存在矩阵data中
在APP页面找到Neural Net Fitting
![](https://i-blog.csdnimg.cn/blog_migrate/5528a8a5c7141a72d6cc78e06316ced3.png)
3.输入与目标均为 data,Samples are 选择 Matrix rows
![](https://i-blog.csdnimg.cn/blog_migrate/ef4dd5011388133e5dcc3315260ce526.png)
4.训练集和验证集的百分比可以自定义,一般默认
![](https://i-blog.csdnimg.cn/blog_migrate/a337d8cdcd032715c4de3e77a5be9a12.png)
三种算法,各有优劣,一般默认第一个,点击Train进行训练
![](https://i-blog.csdnimg.cn/blog_migrate/26fec77cc6c3edf8c8407be86880372d.png)
4.点击Performance
![](https://i-blog.csdnimg.cn/blog_migrate/5ddf719cbeda4715132d55c71acf8dc0.png)
5.以此图为例,13.1572代表误差,误差越低越好,可以通过retrain和改变算法来降低误差
![](https://i-blog.csdnimg.cn/blog_migrate/cde266f58acd0f8fa60758af7451f8cb.png)
6.点击regression
![](https://i-blog.csdnimg.cn/blog_migrate/36830dbd03ef02dd1983f2c6ded3366b.png)
7.三张图分别代表训练集验证集和综合数据的拟合程度,越接近1 效果越好
![](https://i-blog.csdnimg.cn/blog_migrate/3efa53ee492fd41230813ecf5fe3e5bb.png)
8.点击next三次
![](https://i-blog.csdnimg.cn/blog_migrate/029d1170b4746269a6274d695f71eac3.png)
9.点击save results将训练网络保存到matlab工作区
![](https://i-blog.csdnimg.cn/blog_migrate/eee279d2fa0294d2bcf70df77bb8d975.png)
10.若在工作区看到以下三个变量代表保存成功
![](https://i-blog.csdnimg.cn/blog_migrate/df48405328bbebc8459de9988dc9e770.png)
1预测示例代码如下
% 写一个循环,预测接下来的十个样本的辛烷值
% 注意要将指标变为列向量,然后再用sim函数预测
predict_y = zeros(10,1); % 初始化predict_y
for i = 1: 10
result = sim(net, new_X(i,:)');
predict_y(i) = result;
end
disp('预测值为:')
disp(predict_y)