写一段四个自变量，一个因变量的灰色预测模型和BP神经网络的复合模型MATLAB代码，并进行检验

以下是一个基于四个自变量和一个因变量的灰色预测模型和BP神经网络的复合模型的MATLAB代码：

% 数据预处理
% 假设四个自变量为 x1、x2、x3、x4，因变量为 y
% 将数据分为训练集和测试集
train_ratio = 0.7; % 训练集占总数据的比例
train_size = floor(train_ratio * size(data, 1)); % 训练集大小
train_data = data(1:train_size, :); % 训练集
test_data = data(train_size+1:end, :); % 测试集

% 灰色预测模型
x = train_data(:, 1:4); % 自变量
y = train_data(:, 5); % 因变量
gm_model = gray_model(x, y); % 训练灰色预测模型
y_pred_gm = gm_model.forecast(test_data(:, 1:4)); % 预测测试集结果

% BP神经网络模型
net = feedforwardnet([10, 5]); % 设置神经网络结构
net.trainFcn = 'trainlm'; % 设置训练函数为Levenberg-Marquardt
net.trainParam.epochs = 100; % 设置最大迭代次数
net.trainParam.goal = 0.01; % 设置误差目标
net.divideFcn = 'dividerand'; % 设置数据划分方式为随机
net.divideMode = 'sample'; % 设置划分模式为按样本划分
net.divideParam.trainRatio = 0.7; % 设置训练集比例
net.divideParam.valRatio = 0.15; % 设置验证集比例
net.divideParam.testRatio = 0.15; % 设置测试集比例
net = train(net, x', y'); % 训练神经网络
y_pred_bp = net(test_data(:, 1:4)'); % 预测测试集结果

% 复合模型
y_pred_comb = (y_pred_gm + y_pred_bp') / 2; % 取平均值作为最终结果

% 模型检验
rmse_gm = sqrt(mean((test_data(:, 5) - y_pred_gm').^2)); % 计算灰色预测模型RMSE
rmse_bp = sqrt(mean((test_data(:, 5) - y_pred_bp).^2)); % 计算BP神经网络模型RMSE
rmse_comb = sqrt(mean((test_data(:, 5) - y_pred_comb).^2)); % 计算复合模型RMSE

需要注意的是，这里的 `gray_model` 函数是一个自定义函数，用于训练灰色预测模型。在实际应用中，还需要对数据进行进一步的预处理和优化，如特征选择、归一化等，以提高模型的预测性能。