选择20个点（姿态随机）作为理论位姿，根据机器人理论模型基于逆运动学求出关节角。然后将关节角代入机器人的实际模型(结构参数存在误差)，得到机器人的实际位姿。接下来训练两个网络，分别预测末端的位置和姿态。两个网络的输入均为理论位姿，输出分别为实际位置和实际姿态。在进行训练之前，还需要对数据集做出进一步的划分，选取数据集编号为6,12,18...120的点共20个作为附加测试集，在神经网络训练结束之后可以使用这组数据对网络性能进行评价，余下的100个点作为网络的样本集。此外，NN 工具箱中，对网络训练之前，也会对样本集按照指定比例(80%,10%,10%)做出训练集、测试集、验证集的划分。根据这段话我给你我编程的MATLAB代码能帮我按照这段话将代码改编吗380.75 190.112 26.48 60.4 68 381.65 191.265 27.46 64.3 54.6 356.56 186.36 28.53 64.2 54.3 325.36 146.35 29.48 53.8 54.1 354.61 184.55 31.48 42.3 65.8 376.62 188.65 31.23 38.65 48.29 375.65 186.35 22.48 39.14 36.95 372.64 186.52 30.48 45.65 38.63 376.21 178.61 34.53 38.55 39.42 352.63 156.56 25.48 32.5 32.2 269.46 153.54 36.47 75.1 88.3 386.53 186.53 27.38 76.8 90.2 383.65 165.56 32.36 73.5 83.6 352.13 266.54 23.41 39.59 36.12 356.36 256.45 29.42 31.3 37.73 315.36 248.65 31.53 35.356 32.26 265.34 213.26 42.48 30.2 38.4 236.547 153.64 43.54 26.75 26.6 363.35 251.69 34.42 21.4 20.4 341.25 154.24 45.48 33.2 28.5这是我的数据，直接用数据帮我给出完整MATLAB代码

对于这段话，我可以给您提供一个大致的代码框架，但是由于代码中涉及到的细节较多，需要您自己根据具体情况进行补充和修改。具体代码如下：

% 选择20个点作为理论位姿，生成关节角数据
theta = zeros(20, 6);
for i = 1:20
    % 生成姿态随机的坐标
    % ...
    % 根据机器人理论模型求解关节角
    % ...
    theta(i, :) = % 关节角数据
end

% 生成机器人实际位姿数据
actual_poses = zeros(20, 6);
for i = 1:20
    % 将关节角代入机器人实际模型得到实际位姿
    % ...
    actual_poses(i, :) = % 实际位姿数据
end

% 划分数据集
train_idx = [1:5, 7:11, 13:17, 19:20];  % 训练集
test_idx = [6, 12, 18];  % 测试集
train_data = [theta(train_idx, :), actual_poses(train_idx, :)];  % 训练数据
test_data = [theta(test_idx, :), actual_poses(test_idx, :)];  % 测试数据

% 对训练数据进一步划分为训练集、验证集和测试集
train_ratio = 0.8;
val_ratio = 0.1;
test_ratio = 0.1;
[trainInd,valInd,testInd] = dividerand(size(train_data,1), train_ratio, val_ratio, test_ratio);
train_set = train_data(trainInd, :);  % 训练集
val_set = train_data(valInd, :);  % 验证集
test_set = train_data(testInd, :);  % 测试集

% 构建并训练网络
input_size = 6;  % 输入层大小
output_size = 6;  % 输出层大小
hidden_size = 100;  % 隐藏层大小
net_pos = feedforwardnet(hidden_size);  % 构建预测位置的网络
net_pos = train(net_pos, train_set(:, 1:input_size)', train_set(:, input_size+1:input_size+output_size)');  % 训练预测位置的网络
net_ori = feedforwardnet(hidden_size);  % 构建预测姿态的网络
net_ori = train(net_ori, train_set(:, 1:input_size)', train_set(:, input_size+output_size+1:end)');  % 训练预测姿态的网络

% 使用测试集评估网络性能
pos_pred = net_pos(test_set(:, 1:input_size)');  % 预测位置
ori_pred = net_ori(test_set(:, 1:input_size)');  % 预测姿态
pos_error = pos_pred - test_set(:, input_size+1:input_size+output_size);  % 位置误差
ori_error = ori_pred - test_set(:, input_size+output_size+1:end);  % 姿态误差
% 计算误差指标，如均方误差等

% 使用附加测试集评估网络性能
additional_test_data = [theta([6, 12, 18], :), actual_poses([6, 12, 18], :)];
pos_pred = net_pos(additional_test_data(:, 1:input_size)');  % 预测位置
ori_pred = net_ori(additional_test_data(:, 1:input_size)');  % 预测姿态
pos_error = pos_pred - additional_test_data(:, input_size+1:input_size+output_size);  % 位置误差
ori_error = ori_pred - additional_test_data(:, input_size+output_size+1:end);  % 姿态误差
% 计算误差指标，如均方误差等

需要注意的是，这段代码中有很多细节需要根据具体情况进行修改和补充，比如生成姿态随机的坐标的具体方法、根据机器人理论模型求解关节角的具体方法、将关节角代入机器人实际模型得到实际位姿的具体方法、网络的具体结构和超参数的选择、误差指标的具体计算方法等等。