81个样本，每个样本是2760×4的矩阵，怎么将这个样本集用于BP神经网络的MATLAB回归预测程序？

首先，您需要将每个样本的特征值和标签分别存储到两个矩阵中，其中特征值矩阵的大小为81×(2760×4)，标签矩阵的大小为81×1。

然后，您可以使用MATLAB内置的神经网络工具箱来构建BP神经网络。具体步骤如下：

1. 创建一个神经网络对象：使用 `newff` 函数来创建一个前馈神经网络对象。例如，您可以使用以下代码创建一个有一个隐藏层、每个隐藏层节点有10个神经元的BP神经网络。

net = newff(features, labels, [10], {'logsig', 'purelin'}, 'trainlm');

其中，`features` 和 `labels` 分别是特征值矩阵和标签矩阵， `[10]` 表示神经网络有一个10个神经元的隐藏层，`{'logsig', 'purelin'}` 表示该隐藏层使用logsig激活函数，输出层使用purelin激活函数，`'trainlm'` 表示使用Levenberg-Marquardt算法进行训练。

2. 训练神经网络：使用 `train` 函数来训练神经网络。例如，您可以使用以下代码来训练神经网络。

[net, tr] = train(net, features, labels);

其中，`tr` 是训练记录对象，可以用来查看训练过程中的误差变化等信息。

3. 使用神经网络进行预测：使用 `sim` 函数来使用训练好的神经网络进行预测。例如，您可以使用以下代码来对新的输入数据进行预测。

predictions = sim(net, new_features);

其中，`new_features` 是一个大小为N×(2760×4)的矩阵，表示N个新的输入数据的特征值。

以上就是使用MATLAB构建BP神经网络进行回归预测的基本步骤。需要注意的是，在实际应用中，您可能需要对输入数据进行归一化、交叉验证等处理，以提高神经网络的预测性能。