神经网络是机器学习里面很基础的算法，如果没有深入到深度学习（deep learning），我们可以直接利用matlab自带的函数来解决这个问题；

首先，解决神经网络问题的关键步骤是：训练集数据引入–归一化– newff函数进行神经网络结构的定义–使用train函数训练训练集–使用sim函数进行测试级的比较

我们说的newff函数的定义如下：

   net = newff(P,T,[S1 S2…S(N-l)],{TF1 TF2…TFNl}, BTF,BLF,PF,IPF,OPF,DDF)

Si指的是我们的隐藏层和输出层，TF选择对应的激活函数，P，T分别是训练集的输入输出，后面的我们暂时不用管，也不需要特地去输入；

net.trainparam.show=50 ;net.trainparam.epochs=500 ;net.trainparam.goal=0.01 ;net.trainParam.lr=0.01 ;

这是一个对于net训练的定义；show是每隔多少次迭代就显示一次；epochs是迭代次数；goal是目标、误差；

定义后，我们可以开始训练；

net= train( net, input , output）；

其中，input是输入矩阵，output是输出矩阵；

后期我们进行测试级的测试：Y= sim( net , testInput )

通过net来simulate，testinput即测试输入，得到测试输出；

Y是一个输出矩阵，如果是n维的矩阵，那么取n中数值最大的一个，就是训练后认为测试集中合理的输出；