写出neural network学习计算力矩控制算法的Matlab代码，要求输入值为2自由度机器人两个关节的实际位置和期望位置这4个值，范围都在-pi到pi。输出值为两个关节的力矩。并且需要显示误差对比图

以下是一个示例的Matlab代码，用于实现基于神经网络的力矩控制算法，适用于2自由度机器人。

% 定义神经网络结构
net = feedforwardnet([10 5]);

% 设置神经网络参数
net.trainParam.epochs = 1000;  % 迭代次数
net.trainParam.lr = 0.01;  % 学习率

% 设置训练数据
X = rand(2, 1000) * 2 * pi - pi;
Y = zeros(2, 1000);
for i = 1:1000
    Y(:, i) = torque_control(X(:, i));
end

% 训练神经网络
net = train(net, X, Y);

% 测试神经网络
test_X = rand(2, 1000) * 2 * pi - pi;
test_Y = zeros(2, 1000);
for i = 1:1000
    test_Y(:, i) = torque_control(test_X(:, i));
end
pred_Y = net(test_X);

% 误差对比图
figure;
plot(test_Y(1, :), 'r');
hold on;
plot(pred_Y(1, :), 'b');
legend('真实值', '预测值');
xlabel('样本序号');
ylabel('力矩值');

% 计算力矩控制
function torque = torque_control(q)
    % 期望位置
    q_d = [0.5; -0.3];
    % 控制器参数
    Kp = [10 0; 0 5];
    Kd = [5 0; 0 2.5];
    % 动力学参数
    m1 = 1;  m2 = 1;  l1 = 1;  l2 = 1;  g = 9.8;
    % 计算控制力矩
    q_d1 = q_d(1); q_d2 = q_d(2);
    q1 = q(1); q2 = q(2);
    q1_dot = 0; q2_dot = 0;
    q1_d_dot = 0; q2_d_dot = 0;
    M = [m1 * l1^2 + m2 * (l1^2 + l2^2 + 2 * l1 * l2 * cos(q2)) + 2 * m2 * l1 * l2 * cos(q2), m2 * (l2^2 + l1 * l2 * cos(q2)) + m2 * l1 * l2 * cos(q2);
         m2 * (l2^2 + l1 * l2 * cos(q2)) + m2 * l1 * l2 * cos(q2), m2 * l2^2];
    C = [-m2 * l1 * l2 * sin(q2) * (2 * q1_dot * q2_dot + q2_dot^2);
         m2 * l1 * l2 * sin(q2) * q1_dot^2];
    G = [-m1 * g * l1 * sin(q1) - m2 * g * (l1 * sin(q1) + l2 * sin(q1 + q2));
         -m2 * g * l2 * sin(q1 + q2)];
    torque = M * (Kp * (q_d - q) + Kd * (q_d_dot - q_dot)) + C + G;
end

其中，`net`表示神经网络模型，`X`表示训练数据的输入，`Y`表示训练数据的输出，`test_X`表示测试数据的输入，`test_Y`表示测试数据的输出，`pred_Y`表示神经网络对测试数据的预测输出。`torque_control`函数表示计算力矩控制的函数，其中包括机器人的动力学模型和控制器参数。最后，通过绘制误差对比图来评估神经网络的性能。