运用 GRNN 神经网络进行逼近函数J=2x^6+3x^5-3x^3+x^2+1;选取不同的分布密度spread(大于3个)建立网络，并将它们的网络输出与待逼近函数曲线作比较，画出它们的曲线图。仿真网络，画出spread由0.1到1网络的误差曲线。帮我写这道题代码

为了使用GRNN（广义回归神经网络）进行函数逼近，我们可以利用MATLAB中的`newgrnn`函数。首先，我们需要生成训练数据，然后建立不同spread值的GRNN网络，并比较它们的输出与实际函数曲线。最后，我们将绘制spread从0.1到1的网络误差曲线。

以下是实现这一过程的MATLAB代码：

% 清空工作区和命令窗口
clear; clc;

% 定义待逼近的函数
syms x;
f = 2*x^6 + 3*x^5 - 3*x^3 + x^2 + 1;

% 生成训练数据
x_train = linspace(-5, 5, 100);
y_train = double(subs(f, x, x_train));

% 创建不同spread值的GRNN网络
spread_values = [0.1, 0.2, 0.5, 1]; % 不同的spread值
colors = ['r', 'g', 'b', 'k']; % 不同颜色用于区分曲线

figure;
hold on;
grid on;

% 绘制实际函数曲线
plot(x_train, y_train, '--k', 'LineWidth', 1.5);
hold on;

for i = 1:length(spread_values)
    spread = spread_values(i);
    net = newgrnn(P, T, spread); % 创建GRNN网络
    
    % 预测网络输出
    y_pred = net(x_train);
    
    % 绘制网络输出曲线
    plot(x_train, y_pred, colors{i}, 'LineWidth', 1.5);
end

% 设置图例
legend('Actual Function', 'Spread = 0.1', 'Spread = 0.2', 'Spread = 0.5', 'Spread = 1');
title('Function Approximation using GRNN with Different Spreads');
xlabel('x');
ylabel('f(x)');

% 仿真网络，画出spread由0.1到1网络的误差曲线
figure;
spread_range = linspace(0.1, 1, 10); % 在0.1到1之间取10个点
errors = zeros(length(spread_range), length(x_train));

for i = 1:length(spread_range)
    spread = spread_range(i);
    net = newgrnn(P, T, spread); % 创建GRNN网络
    y_pred = net(x_train); % 预测网络输出
    errors(i, :) = abs(y_pred - y_train); % 计算误差
end

% 绘制误差曲线
plot(spread_range, mean(errors, 2), 'LineWidth', 1.5);
xlabel('Spread');
ylabel('Mean Absolute Error');
title('Mean Absolute Error vs Spread');
grid on;