用matlab构建一个双层的MLP模型，模型输入为csv数据表中前四列，输出为后两列，训练集为1.csv，验证集为2.csv,测试集为3.csv,训练函数为trainlm,版本为MATLAB R2018a隐含层有20个神经元，并将拟合的数据画图显示

以下是一个可能的答案，具体实现可能会有所不同：

% 读取数据
train_data = csvread('1.csv', 1, 0);
val_data = csvread('2.csv', 1, 0);
test_data = csvread('3.csv', 1, 0);

% 提取输入和输出
train_x = train_data(:,1:4)';
train_y = train_data(:,5:6)';
val_x = val_data(:,1:4)';
val_y = val_data(:,5:6)';
test_x = test_data(:,1:4)';
test_y = test_data(:,5:6)';

% 构建模型
model = fitnet([20,20]);
model.trainFcn = 'trainlm';

% 训练模型
[model,tr] = train(model, train_x, train_y);

% 验证模型
val_y_pred = model(val_x);
val_rmse = sqrt(mean((val_y - val_y_pred).^2));

% 测试模型
test_y_pred = model(test_x);
test_rmse = sqrt(mean((test_y - test_y_pred).^2));

% 绘制拟合图像
figure;
plot(test_y(1,:), 'b');
hold on;
plot(test_y_pred(1,:), 'r');
legend('True', 'Predicted');
xlabel('Sample index');
ylabel('Output 1');
title(['Test RMSE: ', num2str(test_rmse)]);

该代码首先读取了三个CSV文件中的数据，并将输入和输出分别分开。然后，它使用`fitnet`函数构建了一个包含两个隐含层的MLP模型，每个隐含层都包含20个神经元。训练函数设置为`trainlm`，这是一种使用Levenberg-Marquardt算法进行训练的方法，它通常在小型MLP模型上表现良好。

接下来，该代码使用`train`函数训练了模型，并使用验证集计算了均方根误差（RMSE）。最后，它使用测试集评估了模型的性能，并绘制了模型的预测结果和真实结果之间的比较图像。