x1 = linspace(-3,3,100); %在[-3，3]之间线性生成100个数据

x2 = linspace(-2,1.5,100); %在[-2，1.5]之间线性生成100个数据

y = sin(x1)+0.2*x2.*x2;   %生成y

inputData  = [x1;x2]; %将x1,x2作为输入数据

outputData = y;       %将y作为输出数据

randIndex  = randperm(100);

trainIndex = sort(randIndex(1:80));   %随机选出80个数据作为训练数据（这里先选出数据的序号）

testIndex  = sort(randIndex(81:100)); %将剩下的20个数据作为检验数据（这里先选出数据的序号）

inputData_train  = inputData(:,trainIndex);   %根据序号选出80个用于训练的输入

inputData_test   = inputData(:,testIndex);    %根据序号选出20个用于检验的输入

outputData_train = outputData(:,trainIndex);  %根据序号选出80个用于训练的输出

outputData_test  = outputData(:,testIndex);   %根据序号选出20个用于检验的输出

%使用用输入输出数据（inputData_train、outputData_train）建立网络，隐节点个数设为3.其中输入层到隐层、隐层到输出层的节点分别为tansig和purelin，使用trainlm方法训练。

net = newff(inputData_train,outputData_train,3,{'tansig','purelin'},'trainlm');

%设置一些常用参数

net.trainparam.goal = 0.0001; %训练目标：均方误差低于0.0001

net.trainparam.show = 400;    %每训练400次展示一次结果

net.trainparam.epochs = 15000;  %最大训练次数：15000.

[net,tr] = train(net,inputData_train,outputData_train);%调用matlab神经网络工具箱自带的train函数训练网络

figure;

%训练数据的拟合效果

simout_train = sim(net,inputData_train);

subplot(2,1,1);

title('训练数据的拟合效果')

hold on

t=1:length(simout_train);

plot(t,outputData_train,t,simout_train,'r')%画图，对比原来的y和网络预测的y

%未训练数据的拟合效果

simout_test = sim(net,inputData_test);

subplot(2,1,2);

title('未训练数据的拟合效果')

hold on

t=1:length(simout_test);

plot(t,outputData_test,t,simout_test,'r')%画图，对比原来的y和网络预测的y

w12 = net.iw{1,1}; %第1层（输入层）到第2层（隐层）的权值

b2 = net.b{1};    %第2层（隐层）的神经元阈值

w23 = net.lw{2,1}; %第2层（输入层）到第3层（输出层）的权值

b3 = net.b{2};    %第3层（输出层）的神经元阈值