在MATLAB中进行神经网络拟合的步骤如下：

**数据准备** ：

- 将原始数据集划分为训练集、验证集和测试集。训练集用于训练神经网络模型，验证集用于调整模型参数，测试集用于评估模型的性能。

- 对数据进行预处理，如归一化或标准化，以提高模型的训练效果。

**网络结构设计** ：

- 选择合适的神经网络结构，包括输入层、隐藏层和输出层的节点数、激活函数等。常用的神经网络结构包括前馈神经网络、循环神经网络和卷积神经网络等。

- 在MATLAB中，可以使用`feedforwardnet`函数创建一个前馈神经网络。该函数的参数是一个向量，指定每个隐藏层的节点数。

**网络训练** ：

- 使用训练集对神经网络模型进行训练，通过反向传播算法不断调整连接权重，使得模型的输出尽可能接近于实际值。训练过程中可以设置训练的迭代次数、学习率等参数。

- 在MATLAB中，可以使用`train`函数对神经网络进行训练。该函数的输入参数包括网络对象、输入数据和输出数据。

**模型评估** ：

- 使用验证集评估训练得到的神经网络模型的性能，包括均方误差、准确率等指标。根据评估结果可以对模型进行调整和优化。

- 在MATLAB中，可以使用`plot fit`函数查看学习效果，比如拟合情况、误差度等数据。

**模型应用** ：

- 使用训练好的神经网络模型对新的数据进行预测和拟合。可以通过输入待预测的数据，得到模型的输出结果。

- 在MATLAB中，可以使用`sim`函数实现数据预测。

**保存模型** ：

- 如果对拟合效果满意，可以保存所建立的神经网络模型，以便以后使用。在MATLAB中，可以使用`save results`函数保存所建立的神经网络模型`net`。

以下是一个简单的示例代码，展示如何在MATLAB中使用神经网络拟合工具箱进行拟合：

```matlab

% 生成样本数据

x = linspace(0, 2*pi, 100);

y = sin(x) + 0.2*randn(size(x));

% 创建神经网络

net = feedforwardnet(10);

% 训练神经网络

net = train(net, x, y);

% 预测输出

y_pred = net(x);

% 可视化拟合结果

figure;

plot(x, y, 'o', x, y_pred, 'r:');

xlabel('x');

ylabel('y');

title('拟合结果');

legend('样本数据', '拟合结果');

```

通过以上步骤，你可以在MATLAB中完成神经网络的拟合任务。根据具体需求，你可以调整网络结构、训练参数等，以获得最佳的拟合效果。