MATLAB环境下BP网络对系统建模实例的知识点包括以下几个方面：
1. BP神经网络的定义和应用：
BP神经网络（Back Propagation Neural Network），即反向传播神经网络，是一种按照误差反向传播训练算法训练的多层前馈神经网络。其主要特点是网络能够通过学习样本数据自动提取输入和输出之间的映射关系，且可以逼近任意复杂的非线性关系。在控制系统中，BP神经网络可用于系统建模、预测、控制以及优化等多种场合。
2. BP网络设计思路：
在设计BP神经网络时，需要考虑网络的结构、学习速度和稳定性。网络结构一般包括输入层、若干隐藏层和输出层。确定神经网络层数时，一个常用的BP网络模型是三层结构，包含输入层、隐含层和输出层。在本实例中，选择了三个输入节点和一个输出节点。初始权值一般设为在(-1,1)之间的随机数，学习速率选择在0.01到0.8之间。
3. 以TRT（Top Pressure Recovery Turbine，高炉顶压回收透平机）为例的BP网建模：
在TRT控制系统中，目的是维持高炉顶压在±2kPa范围内稳定。TRT工艺的I/O关系中涉及到三个关键参数：静叶角度、AGE开度、炉顶煤气流量。这些参数作为模型输入，与输出高炉顶压之间建立BP神经网络模型。在样本采集阶段，选择系统平稳运行状态下的参数值作为样本，并保证时间间隔的一致性。
4. BP网络的训练与性能评估：
在神经网络训练过程中，目标误差指标（MSE）被设定为10^-3。网络隐含层节点数目是通过多次试验确定的，实验中对不同隐含层节点数目的网络训练10次，选取网络性能最好的结构。网络结构的选择是根据实验确定的，对于本实例中的子网络，隐含层节点数目也是根据试验法来确定。
5. 网络的训练与仿真：
归一化函数用于对输入数据进行归一化处理，创建一个前向神经网络，其隐层激活函数采用tansig函数，输出层激活函数采用purelin函数。使用Levenberg-Marquardt规则对前向网络进行训练，该规则能够提供较快的收敛速度。网络训练参数包括学习速率、循环间隔、最大循环次数和目标误差。训练完毕后，利用仿真网络对测试样本进行计算仿真误差，进一步评估网络性能。
6. 数据归一化处理：
数据归一化处理是BP网络训练的重要步骤，有助于改善网络的收敛速度和精度。通过最小-最大归一化方法（min-max normalization），将输入数据映射到较小的区间内，通常是[-1,1]或[0,1]，以此减少数值计算范围过大对网络性能造成的影响。
7. 泛化能力测试：
经过充分训练后，神经网络应该具有泛化能力，即对未参与训练的新样本也能够给出合理的输出。这一步骤通常使用测试集进行验证，通过计算测试样本的仿真误差来评估模型的泛化性能。
8. MATLAB工具的使用：
MATLAB提供了神经网络工具箱（Neural Network Toolbox），其中包含了创建、训练、仿真及分析BP神经网络的函数和工具。在上述实例中，使用的newff函数创建前向神经网络，trainlm函数用于训练网络，sim函数用于仿真。通过合理配置网络参数和训练参数，可以达到网络模型设计和优化的目的。
本实例详细介绍了如何在MATLAB环境下利用BP神经网络对系统进行建模，包括网络结构设计、参数确定、训练算法选择、网络性能评估及仿真测试等关键技术步骤。通过TRT系统建模的具体案例，展示了BP神经网络在实际工程问题中的应用方法和步骤。
