P=[0.3125 0.3125 0 0 0.1875 0 1.0000 0.5000 0.1875 0.5000;
0.45 0.49 0.65 0.60 0.50 0.62 0.36 0.43 0.42 0.43;
0.4902 0.3333 0.7647 0.0196 0.3137 0 1.0000 0.5686 0.6471 0.6078;
0.7639 0.8611 1.0000 0.8889 0.5972 0.8194 0 0.1528 0.7917 0.6528;
0.93 0.57 0.96 0.94 0.80 0.96 0.53 0.70 1.12 0.89;
0.4643 0 0.1786 0.3214 0.1786 1.0000 0.1786 0.1429 0.2857 0.3214;
0.1765 0 0.0588 0.1765 0.3529 0.2353 1.0000 0.9412 0.5882 0.6471;
3.9 6.3 3.5 3.9 5.0 3.5 6.3 4.1 5.1 5.4;
0.0473 0.8581 0.2162 0.1081 0.1419 0 1.0000 1.0000 0.0405 0.0405;
0.5 12 0.03 0.2 1.0 0.2 15 0 0.02 0;
0.1 2.4 0.28 0.4 1.1 0.15 2.8 0.22 1.0 0.30];
%創建競爭型網絡，競爭層神經元個數為3，學習速率為0.1
net = newc(minmax(P),3,0.1);
%對網絡進行訓練
net=init(net);
net=train(net,P);
%測試網絡
y=sim(net,P);
y=vec2ind(y)