Undefined function or method 'mrdivide'

I wrote the following code which is automatically generated by the ntstool of MATLAB for the training of a NARX neural network.

function y = supply_chain(x)
 
% Solve an Autoregression Problem with External Input with a NARX Neural Network
% Script generated by Neural Time Series app
% Created 03-Jan-2021 16:37:16
%
% This script assumes these variables are defined:
%
%   a - input time series.
%   b - feedback time series.
a = [4972 129 0;4902 129 70;4843 129 59;4750 129 93;4654 129 96;4509 129 145;4329 129 179;4104 129 321;4459 109 125;5043 109 88;5239 109 188;5118 109 121;4984 109 134;4904 109 80;4822 109 82;4728 119 94;4464 119 159;4265 119 199;4161 119 104;4091 119 70;3964 109 127;3868 109 96;3793 109 75;3595 109 198;3427 109 168;3302 109 125;3216 109 86;2994 99 222;2723 99 272;2514 99 209;2145 99 369;1928 99 217;1831 99 97;1714 99 117;1998 129 100;2126 129 64;2091 129 35;2037 129 54;1982 129 55;7228 129 8;7185 109 43;7078 109 107;6962 109 116;6875 109 87;6809 109 66;6765 109 44;6731 109 33;6718 109 13;6665 109 53;6593 109 72;6543 109 50;6528 109 15;6516 109 12;6445 109 71;6412 109 37;6329 109 83;6237 109 94;6178 109 59;6129 109 49;6012 109 65;5957 109 55;5880 109 77;5755 109 122;5672 109 83;5597 109 75;5549 109 48;5504 129 45;4659 129 78;4537 129 122;4274 129 116;4228 129 48;4199 129 29;4107 129 91;4048 129 59;3980 129 68;3843 128 137;3787 129 56;3774 129 13;3729 129 45;3704 129 25;3679 129 25;3505 119 174;3367 109 138;3303 109 64;3226 109 77;3164 109 62;3045 109 119;2956 109 89;2823 109 133;2643 109 180;2522 109 121;2450 109 72;2359 109 91;2306 109 53;2259 109 47;2217 109 42;2092 109 124;1995 109 97;1875 109 119;1841 129 34;1823 129 18;1799 129 24;1742 129 57;1681 129 61;1651 129 30;1554 129 96;1525 129 0;1488 129 37;1458 129 30;1420 129 38;1332 129 88;1268 129 64;1255 129 13;1255 129 20;1457 129 31;1263 129 129;1169 129 94;1904 129 129;1778 129 126;1708 129 70;1708 129 48;2044 129 123;1930 129 87;1961 129 65;1859 129 102;1781 129 78;1828 129 49;1800 129 0;1687 109 68;1969 109 102;1977 109 88;1807 109 170;1655 109 152;1661 109 90;1751 109 101;1680 143 71;2016 149 48;1976 149 40;1883 149 93;1838 149 45;1876 149 58;1919 149 53;3317 149 42;3841 149 52;3811 199 29;3720 199 91;3645 199 75;3570 199 75;3391 119 179;3140 119 252;2938 119 202;2777 119 161;2446 119 331;2175 119 271;1949 119 146;1946 119 2;2136 119 2;2136 0 0;2328 149 0;2328 149 0;2315 149 13;2285 149 30;2251 149 34;2243 149 8;2176 129 67;2135 129 41;2046 129 89;1997 129 49;2031 129 62;2046 129 81;2004 129 42;2037 129 63;1930 118 107;1847 119 83;1745 119 102;1779 129 62;1750 129 29;1687 129 63;1590 129 97;1454 129 136;1119 129 335;820 129 299;814 129 5;812 129 2;803 129 9;794 129 9;794 129 0;794 129 0;794 129 0;794 129 0;794 0 0;794 0 0;794 0 0;794 0 0;794 149 0;794 149 0;794 149 0;792 149 2;792 149 0;888 149 0;873 149 15;864 149 9;851 149 13;1220 122 15;1207 298 26;1191 155 16;1140 155 51;1093 155 47;1037 155 56;992 155 45;952 155 40;935 155 17;832 129 103;760 129 72;704 129 56;704 129 0;703 129 1;703 129 0;703 129 0;703 129 0;703 129 0;703 155 0;703 155 0;703 155 0;2143 155 0;2143 155 0;2075 155 68;1908 119 169;1695 119 213;1356 119 338;1227 119 129;1271 119 13;1186 119 85;1186 0 0;1186 129 0;1186 129 0;1186 129 0;1474 129 0;1474 129 0;1474 129 0;1474 129 0;2146 129 0;2146 129 0;2146 129 0;2082 129 64;1928 129 154;1785 129 143;1689 129 96;1549 129 140;1484 129 67;1481 129 3;1410 129 71;1352 129 58;1962 129 62;1996 129 62;2126 129 62;2532 129 168;2433 129 99;2394 129 39;2285 129 64;2168 129 117;2064 129 104;1956 129 108;1014 129 234;917 129 97;832 129 85;1896 129 88;1801 129 190;1637 129 163;1835 129 90;1730 129 105;1683 129 47;2097 129 66;2109 129 84;2028 129 80;1934 129 97;2254 129 64;2126 129 128;2041 129 85;2087 129 50;1996 129 91;1903 129 93;1852 129 50;2246 129 85;2117 129 129;1998 129 119;2049 129 45;2067 129 78;1977 129 90;1899 129 78;1837 129 62;1740 129 97;1629 129 111;1574 129 55;1510 129 60;1449 129 61;1368 149 81;1237 149 131;1077 149 160;946 149 131;903 149 43;869 149 34;836 149 33;799 149 37;717 149 82;175 149 542;0 149 239;0 149 51;80 149 51;34 149 41;33 149 1;33 149 0;32 149 1;32 149 0;32 149 0;25 149 7;24 149 1;20 129 4;19 129 1;18 129 1;16 129 2;16 129 0;16 129 0;16 129 0;16 129 0;16 129 0;16 129 0;16 129 0;16 129 0;16 129 0;16 129 0;16 129 0;16 149 0;16 149 0;16 149 0;16 149 0;16 149 0;16 149 0;16 149 0;16 149 0;16 149 0;16 149 0;688 149 0;735 149 49;578 129 157;385 129 193;291 129 94;156 129 135;38 129 118;116 129 18;116 129 0;102 129 14;102 129 0;82 129 20;328 129 42;283 129 45;612 129 55;553 129 59;542 129 11;542 129 0;561 129 77;2229 129 60;2228 129 1;2351 129 69;2253 129 98;2134 129 119;2137 129 93;2045 129 92;1933 129 112;1837 129 96;1744 129 93;1679 129 65;1581 129 100;1530 149 51;1475 149 55;1403 149 71;1346 149 57;1312 149 34;1265 149 47;1177 129 88;1126 129 51;1076 129 49;966 129 110;936 129 30;877 129 59;780 129 97;625 129 155;500 129 125;496 129 100;285 129 211;197 129 88;467 129 114;570 129 89;548 129 118;1136 129 84;1299 129 125;1211 104 184;1104 129 107;1033 129 70;1063 129 66;974 129 89;1116 284 50;1096 289 20;1019 289 77;986 289 33;1035 289 47;1000 289 35;1228 289 60;1197 289 31;1162 289 35;1082 287 80;1039 289 42;1016 289 23;997 289 19;1075 289 18;1134 289 37;1084 289 50;957 289 127;834 289 123;789 289 44;767 289 22;736 289 31;714 289 22;674 289 40;612 289 62;553 289 59;525 289 28;458 149 68;385 149 73;298 149 87;1878 129 175;1575 129 300;1379 129 196;1256 129 123;1088 129 168;1263 129 209;1075 129 188;856 129 219;475 129 381;317 129 158;304 149 12;296 129 8;286 129 10;774 129 88;770 129 196;660 129 206;577 129 83;673 149 0;673 149 0;646 149 27;1002 149 27;1044 149 54;908 149 136;853 149 55;831 149 22;801 149 30;771 149 30;930 149 30;1078 149 44;1423 149 39;1366 149 57;1336 149 30;1385 149 47;1311 149 74;1196 139 114;1156 139 40;1094 139 62;1032 139 62;897 139 135;722 139 175;736 139 82;674 14 62;586 14 88;434 14 152;370 14 64;591 14 67;806 139 73;676 139 130;657 139 115;397 139 260;169 139 228;49 139 120;18 139 31;18 139 0;15 139 3;15 139 0;15 139 0;15 0 0;15 149 0;14 149 1;14 149 0;13 149 1;12 149 1;10 149 1;10 149 0;10 149 0;10 149 0;9 149 1;9 149 0;9 149 0;9 149 0;9 149 0;9 149 0;9 139 0;9 139 0;9 139 0;9 139 0;9 139 0;9 139 0;9 139 0;105 139 0;105 139 0;105 139 0;105 139 0;1377 139 168;1176 12 201;1029 119 147;910 119 119;788 119 122;639 119 149;720 119 111;721 119 95;675 119 237;565 119 110;653 119 104;592 119 61;1127 129 40;1301 129 114;1172 129 129;1061 129 111;915 129 146;858 149 57;839 149 19;1291 149 27;1229 149 62;1902 149 95;1719 139 183;1624 139 94;1606 139 116;1543 139 63;1396 139 147;1295 139 101;1047 129 248;905 129 142;719 129 186;898 129 109;957 129 228;1083 129 66;901 129 182;996 129 1;1124 129 64;1006 129 118;950 129 55;907 127 43;812 128 95;758 128 54;673 128 85;869 127 92;808 128 61;697 127 111;1170 128 7;1262 128 4;1292 127 66;1197 128 95;1103 127 190;1043 128 60;1097 127 42;1306 127 79;1581 127 109;1416 128 165;1317 127 99;1084 148 233;1067 148 16;1065 146 2;1060 147 5;1038 148 22;1030 149 8;321 148 65;451 148 157;386 148 65;296 148 90;1157 118 3;1152 118 5;2015 119 1;2046 118 65;1811 117 235;1735 118 76;1733 119 2;1632 118 101;1470 117 162;1446 117 25;1442 116 4;1441 119 1;1366 117 75;1334 118 32;1258 118 76;1252 117 6;1285 118 65;1140 117 145;1062 117 78;1055 118 6;1151 119 0;1217 118 126;1073 117 240;1006 168 67;863 168 140;655 168 208;579 168 76;339 168 240;575 101 52;464 94 111;288 97 176;300 101 84;129 10 171;27 99 102;0 97 69;0 93 77;0 97 174;0 168 69;930 168 52;1080 168 42;1079 169 1;1016 168 62;928 168 88;1348 168 60;1442 166 2;1631 169 3;1622 176 9;1480 178 142;1580 178 90;1560 178 20;1523 178 37;1437 178 86;1367 178 166;976 148 391;919 147 56;951 147 64;916 148 35;875 147 40;1526 148 21;1484 148 42;1389 148 95;1304 148 85;1356 147 140;1276 148 80;1185 148 91;1120 148 65;1146 148 166;1297 148 137;1123 148 174;1291 148 120;1198 178 93;1096 178 100;1055 127 137;1006 127 241;893 127 113;636 128 257;474 128 166;312 128 162;1121 128 247;1435 178 70;1296 135 139;1293 134 195;1087 134 206;819 135 268;760 135 59;1237 134 99;1366 175 63;1577 176 77;1345 218 232;1188 218 157;1081 219 107;1023 218 57;930 218 95;844 219 86;742 219 102;846 179 184;708 179 138;698 219 106;609 219 89;502 219 107;424 219 78;238 219 185;87 219 151;0 219 97;0 219 76;0 219 140;0 267 137;0 269 84;0 269 0;0 269 7;0 269 5;0 269 22;0 229 36;1655 229 36;2001 229 38;1905 229 95;1893 225 108;1823 229 70;1745 229 78;1668 229 77;1880 229 76;1821 229 59;1779 229 42;1637 229 142;1521 229 116;1848 229 57;1681 229 167;1527 229 154;1964 139 139;1772 139 192;2533 139 295;2222 139 311;1971 139 251;1594 139 377;1184 139 410;1023 139 161;1023 139 0;811 139 212;705 139 106;604 139 100;595 139 9;595 139 0;595 139 0;595 139 0;592 139 3;592 229 0;592 146 0;589 146 3;586 146 3;586 146 0;584 146 2;584 0 0;581 146 3;581 146 0;478 146 103;314 146 164;196 146 118;131 146 65;107 146 24;107 0 0;106 146 1;106 146 0;105 146 1;3213 146 60;3110 135 103;2847 139 263;2658 139 189;2461 139 197;2356 146 105;2227 146 129;2083 146 144;1910 179 173;1617 179 293;1398 179 219;1267 179 131;1083 179 184;817 179 266;815 218 98;1420 229 67;1335 229 85;1257 229 78;1185 219 71;1072 219 113;1894 219 138;1796 219 98;1700 219 96;1510 219 190;1510 219 105;1510 219 25;1909 219 47;1845 219 63;1806 219 39;1771 219 35;1982 219 77;1922 219 60;1870 219 52;1819 219 51;1782 219 37;1740 219 42;1651 219 89;1367 219 217;1170 219 197;1089 219 81;1607 219 58;1487 219 120;1423 219 64;1743 259 64;1667 259 76;1581 259 86;1867 259 98;1814 259 53;1774 259 38;1728 219 46;1779 219 45;1712 219 67;1660 219 52;1825 219 24;1774 219 51;1647 219 127;1572 219 75;1510 219 62;1478 199 128;1340 199 138;1554 199 74;1480 259 73;1380 259 100;1501 259 71;1402 259 99;1396 259 102;1339 259 57;1507 259 23;1760 259 35;1701 259 59;1660 259 41;1592 259 68;1508 259 84;1466 259 42;1659 259 95;1574 259 85;1472 259 102;1457 259 111;1344 259 113;1136 259 208;988 259 148;2017 259 123;1955 259 62;1825 259 129;1723 259 102;3917 259 110;3715 259 202;3571 259 144;3487 259 84;3360 189 127;3179 189 181;2911 189 268;2636 189 278;2402 189 234;2269 189 133;2178 189 91;2095 259 83;1956 259 139;1843 259 113;1702 259 141;1474 259 228;1311 259 163;1605 259 0;1768 257 125;1876 259 180;1846 188 222;1602 189 243;1196 189 408;1014 189 181;838 188 176;660 189 178;348 138 310;213 189 134;81 189 132;80 189 1;80 0 0;80 259 0;2383 259 0;2262 259 110;2181 259 81;2069 259 112;2069 259 186;1770 259 113;1684 259 86;1817 259 59;5946 259 94;5779 259 167;5535 259 244;5273 259 261;5085 259 187;4970 259 115;4831 259 139;4558 259 273;4323 259 235;4151 259 172;3828 259 323;3492 259 336;3365 259 127;3228 259 137;2979 259 249;2778 259 201;2507 181 271;2187 165 512;1870 166 317;1646 166 224;1407 163 239;1182 163 377;1423 169 239;1756 166 243;1318 166 438;985 168 334;836 259 149;803 259 32;2204 259 39;2738 259 42;2674 239 64;2504 239 170;2372 239 132;2249 239 123;2171 239 78;2041 239 130;1900 239 141;1653 239 247;1331 239 322;1135 239 196;963 239 172;1413 239 218;1965 239 216;1882 239 179;2234 239 32;2139 239 95;2061 239 78;1939 239 122;1967 189 164;1670 189 288;1532 189 138;1343 189 189;1022 189 321;813 189 209;1420 189 161;1359 189 157;1075 189 283;1015 239 60;917 239 98;1550 239 133;1420 239 130;1358 239 62;2893 239 97;3179 239 98;3071 239 108;4095 239 128;3825 239 270;3642 239 183];
b = [0;70;59;93;96;145;179;321;125;88;188;121;134;80;82;94;159;199;104;70;127;96;75;198;168;125;86;222;272;209;369;217;97;117;100;64;35;54;55;8;43;107;116;87;66;44;33;13;53;72;50;15;12;71;37;83;94;59;49;65;55;77;122;83;75;48;45;78;122;116;48;29;91;59;68;137;56;13;45;25;25;174;138;64;77;62;119;89;133;180;121;72;91;53;47;42;124;97;119;34;18;24;57;61;30;96;0;37;30;38;88;64;13;20;31;129;94;129;126;70;48;123;87;65;102;78;49;0;68;102;88;170;152;90;101;71;48;40;93;45;58;53;42;52;29;91;75;75;179;252;202;161;331;271;146;2;2;0;0;0;13;30;34;8;67;41;89;49;62;81;42;63;107;83;102;62;29;63;97;136;335;299;5;2;9;9;0;0;0;0;0;0;0;0;0;0;0;2;0;0;15;9;13;15;26;16;51;47;56;45;40;17;103;72;56;0;1;0;0;0;0;0;0;0;0;0;68;169;213;338;129;13;85;0;0;0;0;0;0;0;0;0;0;0;64;154;143;96;140;67;3;71;58;62;62;62;168;99;39;64;117;104;108;234;97;85;88;190;163;90;105;47;66;84;80;97;64;128;85;50;91;93;50;85;129;119;45;78;90;78;62;97;111;55;60;61;81;131;160;131;43;34;33;37;82;542;239;51;51;41;1;0;1;0;0;7;1;4;1;1;2;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;49;157;193;94;135;118;18;0;14;0;20;42;45;55;59;11;0;77;60;1;69;98;119;93;92;112;96;93;65;100;51;55;71;57;34;47;88;51;49;110;30;59;97;155;125;100;211;88;114;89;118;84;125;184;107;70;66;89;50;20;77;33;47;35;60;31;35;80;42;23;19;18;37;50;127;123;44;22;31;22;40;62;59;28;68;73;87;175;300;196;123;168;209;188;219;381;158;12;8;10;88;196;206;83;0;0;27;27;54;136;55;22;30;30;30;44;39;57;30;47;74;114;40;62;62;135;175;82;62;88;152;64;67;73;130;115;260;228;120;31;0;3;0;0;0;0;1;0;1;1;1;0;0;0;1;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;168;201;147;119;122;149;111;95;237;110;104;61;40;114;129;111;146;57;19;27;62;95;183;94;116;63;147;101;248;142;186;109;228;66;182;1;64;118;55;43;95;54;85;92;61;111;7;4;66;95;190;60;42;79;109;165;99;233;16;2;5;22;8;65;157;65;90;3;5;1;65;235;76;2;101;162;25;4;1;75;32;76;6;65;145;78;6;0;126;240;67;140;208;76;240;52;111;176;84;171;102;69;77;174;69;52;42;1;62;88;60;2;3;9;142;90;20;37;86;166;391;56;64;35;40;21;42;95;85;140;80;91;65;166;137;174;120;93;100;137;241;113;257;166;162;247;70;139;195;206;268;59;99;63;77;232;157;107;57;95;86;102;184;138;106;89;107;78;185;151;97;76;140;137;84;0;7;5;22;36;36;38;95;108;70;78;77;76;59;42;142;116;57;167;154;139;192;295;311;251;377;410;161;0;212;106;100;9;0;0;0;3;0;0;3;3;0;2;0;3;0;103;164;118;65;24;0;1;0;1;60;103;263;189;197;105;129;144;173;293;219;131;184;266;98;67;85;78;71;113;138;98;96;190;105;25;47;63;39;35;77;60;52;51;37;42;89;217;197;81;58;120;64;64;76;86;98;53;38;46;45;67;52;24;51;127;75;62;128;138;74;73;100;71;99;102;57;23;35;59;41;68;84;42;95;85;102;111;113;208;148;123;62;129;102;110;202;144;84;127;181;268;278;234;133;91;83;139;113;141;228;163;0;125;180;222;243;408;181;176;178;310;134;132;1;0;0;0;110;81;112;186;113;86;59;94;167;244;261;187;115;139;273;235;172;323;336;127;137;249;201;271;512;317;224;239;377;239;243;438;334;149;32;39;42;64;170;132;123;78;130;141;247;322;196;172;218;216;179;32;95;78;122;164;288;138;189;321;209;161;157;283;60;98;133;130;62;97;98;108;128;270;183];
X = tonndata(a,false,false);
T = tonndata(b,false,false);

% Choose a Training Function
% For a list of all training functions type: help nntrain
% 'trainlm' is usually fastest.
% 'trainbr' takes longer but may be better for challenging problems.
% 'trainscg' uses less memory. Suitable in low memory situations.
trainFcn = 'trainlm';  % Levenberg-Marquardt backpropagation.

% Create a Nonlinear Autoregressive Network with External Input
inputDelays = 1:x(2);
feedbackDelays = 1:x(1);
hiddenLayerSize = x(2);
net = narxnet(inputDelays,feedbackDelays,hiddenLayerSize,'open',trainFcn);

% Choose Input and Feedback Pre/Post-Processing Functions
% Settings for feedback input are automatically applied to feedback output
% For a list of all processing functions type: help nnprocess
% Customize input parameters at: net.inputs{i}.processParam
% Customize output parameters at: net.outputs{i}.processParam
net.inputs{1}.processFcns = {'removeconstantrows','mapminmax'};
net.inputs{2}.processFcns = {'removeconstantrows','mapminmax'};

% Prepare the Data for Training and Simulation
% The function PREPARETS prepares timeseries data for a particular network,
% shifting time by the minimum amount to fill input states and layer
% states. Using PREPARETS allows you to keep your original time series data
% unchanged, while easily customizing it for networks with differing
% numbers of delays, with open loop or closed loop feedback modes.
[x,xi,ai,t] = preparets(net,X,{},T);

% Setup Division of Data for Training, Validation, Testing
% For a list of all data division functions type: help nndivide
net.divideFcn = 'dividerand';  % Divide data randomly
net.divideMode = 'time';  % Divide up every sample
net.divideParam.trainRatio = x(3)/100;
net.divideParam.valRatio = ((1-x(3))/2)/100;
net.divideParam.testRatio = ((1-x(3))/2)/100;

% Choose a Performance Function
% For a list of all performance functions type: help nnperformance
net.performFcn = 'mse';  % Mean Squared Error

% Choose Plot Functions
% For a list of all plot functions type: help nnplot
net.plotFcns = {'plotperform','plottrainstate', 'ploterrhist', ...
    'plotregression', 'plotresponse', 'ploterrcorr', 'plotinerrcorr'};

% Train the Network
[net,tr] = train(net,x,t,xi,ai);

% Test the Network
y = net(x,xi,ai);
e = gsubtract(t,y);
performance = perform(net,t,y)

% Recalculate Training, Validation and Test Performance
trainTargets = gmultiply(t,tr.trainMask);
valTargets = gmultiply(t,tr.valMask);
testTargets = gmultiply(t,tr.testMask);
trainPerformance = perform(net,trainTargets,y)
valPerformance = perform(net,valTargets,y)
testPerformance = perform(net,testTargets,y)

% View the Network
view(net)

% Plots
% Uncomment these lines to enable various plots.
%figure, plotperform(tr)
%figure, plottrainstate(tr)
%figure, ploterrhist(e)
%figure, plotregression(t,y)
%figure, plotresponse(t,y)
%figure, ploterrcorr(e)
%figure, plotinerrcorr(x,e)

% Closed Loop Network
% Use this network to do multi-step prediction.
% The function CLOSELOOP replaces the feedback input with a direct
% connection from the outout layer.
netc = closeloop(net);
netc.name = [net.name ' - Closed Loop'];
view(netc)
[xc,xic,aic,tc] = preparets(netc,X,{},T);
yc = netc(xc,xic,aic);
closedLoopPerformance = perform(net,tc,yc)

% Multi-step Prediction
% Sometimes it is useful to simulate a network in open-loop form for as
% long as there is known output data, and then switch to closed-loop form
% to perform multistep prediction while providing only the external input.
% Here all but 5 timesteps of the input series and target series are used
% to simulate the network in open-loop form, taking advantage of the higher
% accuracy that providing the target series produces:
numTimesteps = size(x,2);
knownOutputTimesteps = 1:(numTimesteps-5);
predictOutputTimesteps = (numTimesteps-4):numTimesteps;
X1 = X(:,knownOutputTimesteps);
T1 = T(:,knownOutputTimesteps);
[x1,xio,aio] = preparets(net,X1,{},T1);
[y1,xfo,afo] = net(x1,xio,aio);
% Next the the network and its final states will be converted to
% closed-loop form to make five predictions with only the five inputs
% provided.
x2 = X(1,predictOutputTimesteps);
[netc,xic,aic] = closeloop(net,xfo,afo);
[y2,xfc,afc] = netc(x2,xic,aic);
multiStepPerformance = perform(net,T(1,predictOutputTimesteps),y2)
% Alternate predictions can be made for different values of x2, or further
% predictions can be made by continuing simulation with additional external
% inputs and the last closed-loop states xfc and afc.

% Step-Ahead Prediction Network
% For some applications it helps to get the prediction a timestep early.
% The original network returns predicted y(t+1) at the same time it is
% given y(t+1). For some applications such as decision making, it would
% help to have predicted y(t+1) once y(t) is available, but before the
% actual y(t+1) occurs. The network can be made to return its output a
% timestep early by removing one delay so that its minimal tap delay is now
% 0 instead of 1. The new network returns the same outputs as the original
% network, but outputs are shifted left one timestep.
nets = removedelay(net);
nets.name = [net.name ' - Predict One Step Ahead'];
view(nets)
[xs,xis,ais,ts] = preparets(nets,X,{},T);
ys = nets(xs,xis,ais);
stepAheadPerformance = perform(nets,ts,ys)

% Deployment
% Change the (false) values to (true) to enable the following code blocks.
% See the help for each generation function for more information.
if (false)
    % Generate MATLAB function for neural network for application
    % deployment in MATLAB scripts or with MATLAB Compiler and Builder
    % tools, or simply to examine the calculations your trained neural
    % network performs.
    genFunction(net,'myNeuralNetworkFunction');
    y = myNeuralNetworkFunction(x,xi,ai);
end
if (false)
    % Generate a matrix-only MATLAB function for neural network code
    % generation with MATLAB Coder tools.
    genFunction(net,'myNeuralNetworkFunction','MatrixOnly','yes');
    x1 = cell2mat(x(1,:));
    x2 = cell2mat(x(2,:));
    xi1 = cell2mat(xi(1,:));
    xi2 = cell2mat(xi(2,:));
    y = myNeuralNetworkFunction(x1,x2,xi1,xi2);
end
if (false)
    % Generate a Simulink diagram for simulation or deployment with.
    % Simulink Coder tools.
    gensim(net);
end

   y = mean(abs(cell2mat(e)))
end

The following message is generated when using optimtool to optimize hyperparameters of the NARX network: Undefined function 'mrdivide' for input arguments of type 'cell'.

[Athrey Ranjith Krishnanunni]

Please mention the complete error message, specifically the line number.