很多模式或关系不清晰的情况下，比较适合用神经网络。关于神经网络本身，最近发展的很快，应用也越来越广，自行谷歌。
本文使用的为最为流行的前馈神经网络（feed-forward neural network），网络各层使用默认的Sigmoid函数，以气体传感器为例简单介绍下MATLAB神经网络工具箱的使用。
我们有下面的数据原始电压CO_diff和温湿度（Temp和Humi）为神经网络训练输入，对应的标准气体浓度CO_ref为训练目标（target）,然后我们用训练后生成的方程去预测未来不同温度湿度条件下，不同CO原始响应电压对应的浓度。
1. 复制CO_diff、Temp和Humi三个输入元素到CO_input变量，CO_ref到CO_ref变量，然后转置下，因为MATLAB走的是列。
CO_input = CO_input'
CO_ref =CO_ref'
2.打开神经网络 拟合工具箱
3. 选上input和Target
4. 选择训练的样本量，用作validation的样本量和作为最后的自检的样本量，样本少的时候建议training的样本要多一些
5.选择隐藏层的数量，这个可以先默认10，回头误差大相关性不好的时候再过来改，一般来说不要太多，具体看相关文章。
6.Train,每次train都会有些许变化的，重点看MSE和R如何，如果保持较好就可以。否则要回到上一步。也可以通过编程来评估，譬如每个隐藏层选择train 100次，然后看好的MSE和R出现的概率。
7. 生成函数，用以预测。这里我用的MATLAB Matrix-only Function，点一下即可。上面那个MATLAB Function也是一样的，不过可以做成单独的应用更方便些，里面代码大部分都一样的。
改函数名：
8. 测试下，按照顺序把下面的CO_diff和Temp，Humi放到CO_test_input这个变量里。然后直接 CO_test_output = ANN_CO(CO_test_input); 即可
输出如下：
5分钟移动平均的趋势图：
