p=[0.3669   0.1669   0.0919   0   0.4102   0.8989    0.7562   1.0000   0.4162   0.3271   0.3811   0.3653
0.4184   0.1502   0.0867   0   0.2315   0.8886    0.7767   0.9222   1.0000   0.5954   0.8141   0.7089
0.1617   0.0444   0.0082   0   0.3855   0.9099    0.8464   0.9971   1.0000   0.6268   0.7586   0.6730
0.3130   0.1961   0.0773   0   0.4226   0.9396    0.8124   0.9653   1.0000   0.5960   0.7861   0.6210
0.3578   0.1598   0.0915   0   0.4823   1.0000    0.6912   0.8458   0.9120   0.3609   0.4627   0.2761
0.1592   0.0635   0   0.0192   0.3696   0.8932    0.6624   0.9483   1.0000   0.6375   0.7841   0.6228
0.2399   0.0839   0   0.0256   0.4964   0.9963    0.8181   1.0000   0.9755   0.5147   0.6810   0.5135];
t=[0.3731   0.1176   0.0207   0   0.4230   0.9052    0.6277   0.8862   1.0000   0.4424   0.5955   0.5205];
p1=[0.3731   0.1176   0.0207   0   0.4230   0.9052    0.6277   0.8862   1.0000   0.4424   0.5955   0.5205];
p2=[0.3488   0.1523   0   0.0169   0.4421   0.9414    0.7320   1.0000   0.9325   0.4542   0.7648   0.5432];
net=newff(minmax(p),t,[12,6,12],{'tansig' 'sansig'},'traingdm');
net.trainparam.goal=0.001;
net.trainparam.epochs=10000;
net.trainparam.lr=0.01;
net.trainparam.show=30;
net = train(net,l,t);
y=sim(net,p);
y2=sim(net,p1);
x=1:10;
plot(x,y1,'g-*',x,p2,'r-s')