帮我写这道题完整代码，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。

当然，我们可以使用GRNN（Generalized Regression Neural Network）来近似给定的函数。首先，我们需要安装Neural Networks Toolbox（如果尚未安装），然后导入必要的库并定义函数J。接下来，我们将创建GRNN模型、训练它以及生成所需的图表。

% 安装Neural Networks Toolbox (如果尚未安装)
if ~isToolboxInstalled('neural')
    error('Please install the Neural Networks Toolbox to proceed.');
end

% 导入所需库
import neuralnet.*

% 函数J的定义
function J = functionJ(x)
    J = 2*x.^6 + 3*x.^5 - 3*x.^3 + x.^2 + 1;
end

% 设置参数
spreadValues = linspace(0.1, 1, 10); % 不同的分布密度值
epochs = 1000; % 训练次数
xRange = [-5:0.1:5]; % x轴范围用于评估

% 创建GRNN模型
grnnModel = fitrngn('Linear', 'InterpolationMethod', 'Natural Cubic Spline', ...
                   'Spread', spreadValues, 'NumInputs', 1);

% 遍历不同spread，训练模型并保存输出
outputs = zeros(size(spreadValues), length(xRange));
for i = 1:length(spreadValues)
    grnnModel.Spread = spreadValues(i);
    for j = 1:length(xRange)
        inputs = [xRange(j)];
        outputs(i,j) = predict(grnnModel, inputs);
    end
    % 训练GRNN模型
    grnnModel = train(grnnModel, inputs', functionJ(inputs)');
end

% 绘制逼近函数曲线与原始函数
figure;
hold on;
plot(xRange, functionJ(xRange), 'b', 'LineWidth', 2, 'DisplayName', 'Original Function');
for i = 1:length(spreadValues)
    plot(xRange, outputs(i,:), 'Color', colormap(i / length(colormap)), 'LineWidth', 1.5);
    legend('show');
end
title('Comparison of GRNN Approximations with Different Spread Values');
xlabel('x');
ylabel('J(x)');
legend('Location', 'NorthWest');

% 误差曲线
figure;
errors = abs(functionJ(xRange) - outputs);
plot(spreadValues, errors, 'o-', 'LineWidth', 2);
xlabel('Spread Value');
ylabel('Error');
title('Error Curve vs Spread');
grid on;

这段代码首先定义了函数J，然后创建了一个GRNN模型，设置了不同的分布密度spread。接着，我们遍历每个spread值，训练并存储模型对给定x范围的预测结果。最后，我们绘制了原始函数和不同spread下的GRNN逼近函数，以及误差曲线。

如果你有任何疑问，或者想了解关于GRNN或其他Matlab神经网络概念的问题，请告诉我。