用GRNN算法模型来预测涤纶纤维在不同氧化石墨烯含量，负载，摩擦时间，摩擦频率作为输入量，摩擦系数，条干直径

在MATLAB中，使用Generalized Regression Neural Network (GRNN)算法进行预测是一种非线性回归的方法。GRNN特别适合处理小样本数据集，因为它能够直接从输入值到输出值建立映射关系，而不需要像其他神经网络那样先训练多个层次。

要使用GRNN来预测涤纶纤维的摩擦系数和条干直径，基于给定的四个输入变量（氧化石墨烯含量、负载、摩擦时间和摩擦频率），你可以按照以下步骤操作：

1. **数据准备**:
- 收集或整理实验数据，确保数据集中包含所有四个输入变量（X）及其对应的两个输出变量（摩擦系数和条干直径，记为Y）。
- 数据可能需要预处理，例如归一化或标准化，以便GRNN更好地学习。

2. **创建GRNN模型**:
- 使用`fitrgp`函数来创建GRNN模型，语法类似：`model = fitrgp(X,Y)`, 其中`X`是输入矩阵，`Y`是输出向量。

3. **训练模型**:
- 如果有缺失值，使用`rmmissing`函数清理。然后调用`train`或`fitrgp`进行训练。

   model = train(model, X, Y);

4. **预测**:
- 对新的输入值进行预测，使用`predict`函数：`[mu, sigma] = predict(model, newX)`。`mu`是预测的平均值，`sigma`是预测的不确定性。

5. **评估性能**:
- 可以使用交叉验证或留出法评估模型的准确性。可以计算均方误差（MSE）或R-squared等指标。

6. **可视化结果**:
- 可能的话，用`plot(model,X,Y,'.')`绘制散点图，再用`lines(x,y)`显示预测线，帮助理解模型表现。

% 假设你已经有了数据集
data = readtable('your_data.csv'); % 替换为实际文件名
X = data{:, {'Oxide_Graphene', 'Load', 'Friction_Time', 'Friction_Frequency'}}; % 输入变量
Y = data.Friction_Coefficient; % 摩擦系数
Y2 = data.Twist_Diameter; % 条干直径

% ... (继续执行上述步骤)