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。

好的，我可以帮助你了解如何使用广义回归神经网络（GRNN）进行函数逼近，并绘制样本点和神经网络输出的对比图。以下是详细的步骤和代码示例：

### 1. 数据准备
首先，我们定义样本点 `P` 和目标值 `T`。

P = [1 2 3 4 5 6 7 8];
T = [0 1 2 3 2 1 2 1];

### 2. 创建GRNN网络
使用MATLAB中的 `newgrnn` 函数来创建一个GRNN网络。

net = newgrnn(P, T);

### 3. 生成测试数据
为了绘制对比图，我们需要生成一些测试数据点。

test_points = linspace(min(P), max(P), 100);

### 4. 使用GRNN进行预测
使用训练好的GRNN网络对测试数据进行预测。

predicted_values = net(test_points);

### 5. 绘制对比图
最后，我们绘制原始样本点、目标值以及GRNN网络的预测结果。

figure;
hold on;
plot(P, T, 'ro', 'MarkerFaceColor', 'r'); % 原始样本点
plot(test_points, predicted_values, 'b-'); % GRNN预测结果
legend('Original Data Points', 'GRNN Prediction');
xlabel('Input');
ylabel('Output');
title('GRNN Function Approximation');
grid on;
hold off;

### 完整代码
将上述步骤整合在一起，形成完整的代码如下：

% 数据准备
P = [1 2 3 4 5 6 7 8];
T = [0 1 2 3 2 1 2 1];

% 创建GRNN网络
net = newgrnn(P, T);

% 生成测试数据
test_points = linspace(min(P), max(P), 100);

% 使用GRNN进行预测
predicted_values = net(test_points);

% 绘制对比图
figure;
hold on;
plot(P, T, 'ro', 'MarkerFaceColor', 'r'); % 原始样本点
plot(test_points, predicted_values, 'b-'); % GRNN预测结果
legend('Original Data Points', 'GRNN Prediction');
xlabel('Input');
ylabel('Output');
title('GRNN Function Approximation');
grid on;
hold off;

运行以上代码后，你将会看到一个图表，其中红色圆点表示原始样本点，蓝色曲线表示GRNN网络的预测结果。通过这种方式，你可以直观地看到GRNN如何逼近给定的函数。