在數(shù)據(jù)擬合中，神經(jīng)網(wǎng)絡(luò)需要處理從一個數(shù)據(jù)集到另一個數(shù)據(jù)集的映射，如通過原材料價格、地價、銀行利率等因素估算房價，原材料價格、地價和銀行利率屬于一個數(shù)據(jù)集，在網(wǎng)絡(luò)中是輸入，房價則屬于另一個數(shù)據(jù)集，在網(wǎng)絡(luò)中是輸出。神經(jīng)網(wǎng)絡(luò)的擬合工具可用來收集數(shù)據(jù)，建立和訓練網(wǎng)絡(luò)，并均方誤差和回歸分析來評價網(wǎng)絡(luò)的效果。

nftool工具箱采用前向神經(jīng)網(wǎng)絡(luò)來完成數(shù)據(jù)擬合，包括兩層神經(jīng)元，隱藏層使用sigmoid傳輸函數(shù)，輸出層則是線性的。給定足夠的訓練數(shù)據(jù)和足夠的隱藏層神經(jīng)元，網(wǎng)絡(luò)能良好地擬合多維數(shù)據(jù)。

生成一段加入了均勻噪聲的正弦函數(shù)數(shù)據(jù)

x=0:.2:2*pi+.2;

rng(2);y=sin(x)+rand(1,length(x))*0.5;

plot(x,y,'o-');

在命令行輸入nftool后回車，啟動神經(jīng)網(wǎng)絡(luò)擬合工具對話框

單擊Next進入數(shù)據(jù)選擇界面，不但要指定輸入數(shù)據(jù)，還要指定目標數(shù)據(jù)，即輸入數(shù)據(jù)的期望輸出

單擊Next進入Validation and Test Data界面，工具箱把數(shù)據(jù)分為三部分：

1.訓練樣本，用于網(wǎng)絡(luò)訓練，網(wǎng)絡(luò)將根據(jù)訓練樣本的誤差調(diào)整網(wǎng)絡(luò)權(quán)值和閾值

2.驗證樣本，用于驗證網(wǎng)絡(luò)的推廣性能，當推廣性能停止提高時，表示網(wǎng)絡(luò)已達到最優(yōu)狀態(tài)，此時就停止訓練

3.測試樣本，用于測試網(wǎng)絡(luò)的性能，網(wǎng)絡(luò)不會分局測試樣本的結(jié)果做任何調(diào)整

一般情況下，訓練樣本用于調(diào)整網(wǎng)絡(luò)權(quán)值和閾值，驗證樣本則用于調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)，如隱藏層神經(jīng)元的個數(shù)

默認隨機地將70%的數(shù)據(jù)劃為訓練樣本，15%的數(shù)據(jù)劃為驗證樣本，剩下的15%數(shù)據(jù)作為測試樣本

單擊Next進入網(wǎng)絡(luò)結(jié)構(gòu)界面，設(shè)置隱藏層神經(jīng)元個數(shù)

單擊Next進入訓練界面，單擊Train進行網(wǎng)絡(luò)訓練，工具箱自動彈出訓練對話框顯示訓練過程，默認最大迭代次數(shù)為1000次。

訓練完成后將顯示訓練樣本、、驗證樣本和測試樣本的均方誤差（MSE）和R值。R值衡量了目標數(shù)據(jù)（期望輸出）與實際輸出之間的相關(guān)性，如果相關(guān)性為1，說明兩者完全相符，如果相關(guān)性為0則說明數(shù)據(jù)完全隨機。

訓練完成后點擊Plot Fit顯示適應(yīng)度，同時展示訓練樣本、驗證樣本和測試樣本的目標輸出和實際輸出

點擊Plot Error Histgram顯示誤差直方圖

誤差的計算公式是：

誤差 = 目標輸出 - 實際輸出

點擊Plot Regression顯示回歸圖，分別顯示訓練樣本、驗證樣本、測試樣本和所有數(shù)據(jù)的回歸圖

點擊Next進入測試界面，選擇測試數(shù)據(jù)和期望輸出，點擊Test Network即可進行測試，測試完成后可以點擊顯示適應(yīng)度圖、誤差直方圖和回歸圖

測試數(shù)據(jù)生成

xx=0:.1:2*pi+.2;

yy=sin(xx)+0.25;

點擊Next進入結(jié)果界面，選擇想要生成的類型，可以生成MATLAB腳本文件，也可以轉(zhuǎn)為Simulink模型

最后點擊Finish結(jié)束數(shù)據(jù)擬合