模式识别又称模式分类，广义的模式识别包括有监督的识别和无监督的识别，分别对应有目标数据和无目标数据的训练过程，前者的训练数据所属类别未知，而后者的训练数据所属类别已知。神经网络模式识别工具中所指的模式识别主要是后者，即有监督的分类。对于无监督的分类问题，可以使用神经网络聚类工具加以解决。

在模式识别问题中，输入的数据将被划分为事先规定好的某一个类别，类别的数量是确定的，每个输入样本最终都会被归为预定好的某一个类别中，神经网络模式识别工具可以用来收集数据，创建和训练神经网络，并用均方误差（MSE）和混淆矩阵来评价网络。系统使用的是一个两层（不包括输入层和输出层）的前向网络

在命令行输入nprtool打开神经网络模式识别工具

构造测试数据

x=[0.1,4.2;-0.25,2.8;3,1.1;-0.9,1.2;-1.2,1;3.4,1;-2.5,-1.5;3,3.2;...

    -2.5,2.7;3.1,-3.2;4,-1.2;3.9,-1;4,3;-4,3.5]';

y=[1,1,1,1,1,2,1,2,1,2,2,2,2,1];

y0=ind2vec(y);

在聚类工具中点击Next进入数据选择界面。模式识别需要目标数据，因此这里需要指定输入和目标样本。

此处的目标样本需要表示成向量的形式

点击Next进入Validation and Test Data 界面，将数据集划分为训练样本、验证样本和测试样本。

点击Next进入网络结构界面，设置隐含层神经元个数

点击Next进入网络训练界面，点击Train开始训练，默认迭代次数为1000次

训练完成后将显示训练样本、验证样本和测试样本的均方误差和错分率。

错分率是指将样本中的数据错误地划分为另一类的比例

点击Next进入网络评价界面，生成测试数据

 xx=-4.4:.4:4.5;

 N=length(xx);

 for i=1:N

     for j=1:N

         xt(1,(i-1)*N+j)=xx(i);

             xt(2,(i-1)*N+j)=xx(j);

     end

 end

yt=ones(1,529);

 yt(1)=2;

 yt=ind2vec(yt);

选择测试数据后点击Test Network进行仿真测试

测试结果

点击Next进入结果保存界面，可以保存网络和变量，或者将网络导出为MATLAB脚本或Simulink模型

点击Finish完成分类