运用 GRNN 神经网络进行逼近函数y=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。这道题的思路

在MATLAB中使用GRNN（Generalized Regression Neural Network）神经网络逼近函数`y = 2x^6 + 3x^5 - 3x^3 + x^2 + 1`，首先你需要了解GRNN的基本原理，这是一种基于实例的学习方法，它不需要显式的训练过程，而是根据给定的输入值及其对应的输出值构建权重。

以下是实现这个任务的一般步骤：

1. **数据准备**：
- 创建一组`x`值，覆盖你感兴趣的范围（比如从-1到1，步长为0.01），计算对应的目标函数`y`值。
- 对于每种不同的`spread`值，创建多个噪声样本，这些样本将在GRNN的输入中引入不确定性。

2. **GRNN模型定义**：
- 使用`fitrgp`或`fitnnet`函数初始化GRNN结构，其中`Spread`参数应设置为不同的`spread`值。例如：

   net = fitrgp(x, y, 'Spread', spread);

3. **网络训练与评估**：
- 训练每个GRNN模型，可以多次迭代以优化网络参数：

   [net, ~] = train(net, x, y);

- 比较网络的预测值(`net(x)`）与实际函数值`y`，生成误差矩阵。

4. **绘制结果**：
- 可以使用`plot`函数分别绘制原始函数、GRNN预测值和误差随`x`的变化情况：

   figure;
   subplot(2, 1, 1);
   plot(x, y, 'b-', 'LineWidth', 2); % 原始函数
   hold on;
   plot(x, net(x), 'r--', 'LineWidth', 2); % 预测值
   legend('True Function', 'GRNN Prediction');
   title(['GRNN Approximation with Spread = ' num2str(spread)]);
   
   subplot(2, 1, 2);
   error = abs(y - net(x));
   plot(x, error, 'g'); % 误差曲线
   xlabel('x');
   ylabel('Error');

- 更新`spread`值并重复上述步骤，生成一系列误差曲线图。

5. **仿真网络误差**：
- 定义一个循环，遍历`spread`值（如`[0.1:0.1:1]`），在每次循环中执行上述训练和绘图操作，然后记录下误差值。

记得保存所有必要的数据和图形以便后续分析和讨论。