用MATLAB模式识别工具箱（函数）来对某些指标（如空气质量、水质量、个人业绩等）进行分类、评估、预测，分为三步：
1. 数据准备
（1）确保输入数据（包括训练以及将来要预测的数据）在比较接近的范围里（归一化是其中一种方式）。
这一个步骤不仅仅是在模式识别里，其实在任何一种网络里，这一步都是必须的。比如说你有400组数据，每组数据对应一个中国县城的空气质量。假设每组数据含有6个指标（称之为A,B,C,D,E,F,G), 如果数据A的范围是10^5-10^7, F的范围是0.1-0.5， 如果用这些数据来训练，很容易导致网络的权重也有同样的数量级的差别，结果是你的网络会非常的“敏感”（可以想象一下，如果F对应的权重是10^10,那么即使F稍微变化一下，都有可能导致网络的输出结果不同。而有时候这样的敏感度并不是你想要的，你可以对数据进行归一化处理，把数据都转换到0-1的区间内。
MATLAB模式识别工具箱可以自动对输入数据进行归一化处理，所以你只要明白这个过程，但是并不需要你额外写程序来处理这些数据。
（2）对输出数据进行二进制量化
通常情况下，用于测试的输入数据所对应的输出数据不是量化数据，比如说：优、良，或者是一级、二级等等。那么通常我们用二进制来表达，两位数字的二进制可以表示3类（01，10，11），三位数字的二进制可以表示7类（001，010，011，100，101，110，111，通常我们不使用000)。二进制的顺序不重要，比如说优可以对应001,也可以用010来表示。
2. 训练和评估
可以使用MATLAB自带的模式识别工具箱界面(nprtool)来导入数据、调整参数等，然后得到结果。通常第一次这样使用，得到一个基础架构以后，然后生成m代码，再在代码上修改。
网络训练的每次结果都有可能不一样，比如说第一次得到不太满意的结果（准确率低于80%)：
多训练几次，可以得到不错的结果（准确率达到97.5%)：
3. 预测
首先确保你用来预测的输入数据，格式跟训练数据一样（否则肯定不能使用）。在上面的网络里，我们的每组输入数据含有6个指标，那么用来预测的数据，也必须符合以上要求。