这道题的思路。运用GRNN神经网络进行函数逼近，其中，数样本点: P=[1 2 3 4 5 6 7 8]; T=[0 1 2 3 2 1 2 1]; 要求画出待逼近函数样本和神经网络输出对比图。

要使用GRNN（Generalized Regression Neural Network）神经网络在Matlab中进行函数逼近并绘制样本和输出对比图，你可以按照以下步骤进行：

1. **数据准备**：
首先，你需要导入`P`和`T`数组作为训练数据，`P`通常是自变量，`T`是相应的因变量。

% 假设 P 和 T 是已经存在的变量
P = [1 2 3 4 5 6 7 8]; % 自变量（x）
T = [0 1 2 3 2 1 2 1]; % 因变量（y）

2. **构建GRNN模型**：
使用`fitrgp`函数创建GRNN模型。在这里，我们可以假设输入是连续型的，所以选择`'gaussian'`核函数。

model = fitrgp(P, T, 'KernelFunction', 'gaussian');

3. **预测**：
对于新的输入值，例如从`1`到`8`均匀分布，生成一个新的矩阵`X_test`，然后用模型对这些值进行预测。

X_test = linspace(min(P), max(P), 100); % 新的数据点范围
Y_pred = predict(model, X_test);

4. **绘图**：
使用`plot`函数绘制原始数据、GRNN预测结果以及可能的话，线性拟合或实际期望的函数，以便比较。

figure;
hold on;
scatter(P, T, 'b', 'filled'); % 绘制样本点
xlabel('x');
ylabel('y');
title('Original Data and GRNN Output');

plot(X_test, Y_pred, 'r', 'LineWidth', 2); % 绘制GRNN预测曲线
if exist('ExpectedFunction', 'var') % 如果有预期函数
    plot(X_test, ExpectedFunction(X_test), 'g--', 'LineWidth', 2); % 绘制预期函数
end
legend('Data Points', 'GRNN Prediction', 'Expected Function', 'Location', 'NorthWest');
hold off;

5. **查看误差**：
可能你想查看一下预测误差，可以计算`Y_pred`和`T`之间的均方误差（MSE）。

mse = mean((Y_pred - T).^2);
fprintf('Mean Squared Error (MSE): %.4f\n', mse);

完成以上步骤后，你就得到了GRNN对于给定数据的函数逼近，并且有了可视化的对比图。