preparets
为神经网络模拟或训练准备输入（input x）和目标（target y）时间序列数据
[Xs,Xi,Ai,Ts,EWs,shift] = preparets(net,Xnf,Tnf,Tf,EW)
net 神经网络
Xnf 输入数据（无反馈）
Tnf 目标数据（无反馈）
Tf 目标数据（有反馈）
Xs 转换后的输入数据
Xi 延迟状态的第一个输入项
Ai 延迟状态的第一个层
Ts 转换后的目标数据
EWs 转换后的误差权重
shift 从X和T前面截断的时间步数，以便适当地填充Xi和Ai
以 NARX 网络为例，代码如下
[X,T] = simplenarx_dataset;
net = narxnet(1:2,1:2,20); % 这种情况一般用于模型的训练
[Xs,Xi,Ai,Ts] = preparets(net,X,{},T);
net = train(net,Xs,Ts,Xi,Ai);
view(net)
y = net(Xs,Xi,Ai);
在此状态下，设 X共有3165组元素，则T共有3165组元素
Xs 共有两类各3163（3165-2）组元素，第一类对应 X(3:3165)第二类对应T(3:3165)
Xi 共有两类各2组元素，第一类对应 X(1:2)第二类对应T(1:2)
Ai 为空
Ts 共有3163组元素，对应T(3:3165)
netc = closeloop(net); % 将神经网络设置为闭环
netc.name = [net.name \' - Closed Loop\'];
view(netc)
[xc,xic,aic,tc] = preparets(netc,X,{},T);
在此状态下：
xc 共有3163（3165-2）组元素，对应 X(3:3165)
xc 共有3163（3165-2）组元素，对应 X(3:3165)
xic 共有2组元素，对应 X(1:2)
aic 为两组元素，含义不明
tc 共有3163组元素，对应T(3:3165)
nets = removedelay(net); % 神经网络设置为开环，且可进行预测
nets.name = [net.name \' - Predict One Step Ahead\'];
view(nets)
[xs,xis,ais,ts] = preparets(nets,X,{},T);
在此状态下：
xs 共有两类各3164（3165-1）组元素，第一类对应 X(2:3165)第二类对应T(2:3165)
xis 共有两类各1组元素，第一类对应 X(1:1)第二类对应T(1:1)
ais 为空
ts 共有3164组元素，对应T(3:3165+1)，最后一组为NaN
