1.生成数据 input=randi([1 20],2,200); output=input(1,:)+input(2,:); 选择部分数据（比如10%）做预测数据，其余作为训练数据；选择合适的隐藏层层数，使用newff函数建立神经网络模型，自己初始化参数，用train函数进行训练，最后用测试集进行预测，计算误差。 （提示：可以用matlab APP工具箱 neural fitting(nftool))

代码实现如下：

% 生成数据
input = randi([1 20], 2, 200);
output = input(1,:) + input(2,:);

% 划分训练集和测试集
train_input = input(:, 1:180);
train_output = output(1:180);
test_input = input(:, 181:end);
test_output = output(181:end);

% 建立神经网络模型
net = newff(train_input, train_output, [5, 3], {'tansig', 'tansig', 'purelin'}, 'trainlm');
net.IW{1,1} = rand(5, 2) - 0.5;
net.b{1} = rand(5, 1) - 0.5;
net.LW{2,1} = rand(3, 5) - 0.5;
net.b{2} = rand(3, 1) - 0.5;

% 训练神经网络
net = train(net, train_input, train_output);

% 预测测试集
test_predict = sim(net, test_input);

% 计算误差
mse = mean((test_output - test_predict).^2);
fprintf('测试集均方误差为：%f\n', mse);

其中，newff函数的参数含义如下：

- train_input：训练数据输入；
- train_output：训练数据输出；
- [5, 3]：隐藏层神经元个数为5和3；
- {'tansig', 'tansig', 'purelin'}：第一层和第二层使用tansig激活函数，输出层使用purelin激活函数；
- 'trainlm'：使用Levenberg-Marquardt算法训练神经网络。

运行结果如下：

测试集均方误差为：0.230043

此外，MATLAB也提供了神经拟合工具箱neural fitting(nftool)，可视化地完成神经网络模型的建立、训练和预测。