采用 RBF 网络对如下离散模型进行逼近 y(k)=u(k)^3+y(k-1)/(1+y(k-1))^2, 网络的第一个输入为 u(t)=sin(t)，t=kT，T=0.001。网络结构为 2-5-1，取 x(1)=u(t)， x(2)=y(t)，α=0.05，η=0.15，网络的权值取 0 至 1 之间的随机值。考虑到网络的第一 个输入范围为[0,1]，离线测试可得第二个输入范围为[0,10]，取高斯基函数的参数取 值为 bj=3.0，𝑐𝑗 = ( −1， −0.5， 0， 0.5， 1 ；−1 ，−0.5， 0， 0.5， 1 ) 𝑇 ，j=1,2,3,4,5。帮我写一个能达到上述目的的matlab编程代码

以下是可以实现上述目标的 MATLAB 代码：

clc;
clear;
close all;

% 离散模型
T = 0.001;
u = @(k) sin(k*T);
y = @(u, yk) u^3 + yk / (1+yk)^2;

% 神经网络参数
alpha = 0.05;
eta = 0.15;
b = 3.0;
c = [-1,-0.5,0,0.5,1; -1,-0.5,0,0.5,1];
input_range = [0 1; 0 10];
hidden_size = 5;

% 初始化权值
w1 = rand(hidden_size, size(input_range, 2));
w2 = rand(hidden_size, 1);

% 训练网络
epoch = 5000;
mse = zeros(epoch, 1);
for i = 1:epoch
    % 生成随机样本
    x = rand(size(input_range, 2), 1) .* diff(input_range, [], 2) + input_range(:, 1);
    u_k = x(1);
    y_k = x(2);
    
    % 前向传播
    z = exp(-b * sum((c - x') .^ 2, 2));
    y_pred = w2' * z';
    
    % 反向传播
    delta2 = (y_pred - y(u_k, y_k));
    delta1 = (w2 .* z') .* (1 - z') * delta2;
    
    % 更新权值
    w2 = w2 - eta * z' * delta2;
    w1 = w1 - alpha * delta1 * x';
    
    % 计算 MSE
    mse(i) = delta2^2;
end

% 测试网络
test_size = 1000;
u_test = linspace(input_range(1, 1), input_range(1, 2), test_size);
y_test = zeros(test_size, 1);
for i = 2:test_size
    z = exp(-b * sum((c - [u_test(i); y_test(i-1)]) .^ 2, 2));
    y_test(i) = w2' * z';
end

% 绘制拟合结果和 MSE 变化曲线
figure;
subplot(2, 1, 1);
plot(u_test, y_test);
title('模型拟合结果');
xlabel('u(t)');
ylabel('y(t)');
grid on;

subplot(2, 1, 2);
plot(mse);
title('MSE 变化曲线');
xlabel('迭代次数');
ylabel('MSE');
grid on;

代码中的 `y` 函数定义了离散模型，`b` 和 `c` 是高斯基函数的参数。`w1` 和 `w2` 初始化为随机值，训练过程中使用随机样本进行训练，更新权值时使用梯度下降法。

最后，代码绘制了模型拟合结果和 MSE 变化曲线。你可以根据需要进行调整。