为在决策树剪枝中正确选择剪枝方法，基于理论分析和算例详细地比较了当前主要的4种剪枝方法的 计算复杂性、剪枝方式、误差估计和理论基础．与PEP相比，MEP产生的树精度较小且树较大；REP是最简单的 剪枝方法之一，但需要独立剪枝集；在同样精度情况下，ccP比REP产生的树小．如果训练数据集丰富，可以选 择砌强，如果训练数据集较少且剪枝精度要求较高，则可以选用PEP．

到目前为止，人们提出了许多神经网络模型，其中应用最广泛的是前馈神经网络．早期前馈神经网络中只含有求和神经元，在处理复杂非线性问题时效率很低．后来，人们将求积神经元引入到前馈神经网络中，用以增加网络的非线性映射能力，提高网络的学习效率．这样的网络可以统称为高阶前馈神经网络．但是，如果只通过输入节点值的简单乘积构造求积神经元以增加网络的非线性映射能力，随着输入样本维数的增加，所需权值的数量呈指数阶增加，即出现“维数灾难”．Pi-Sigma 神经网络是1991 年Y．Shin提出的一种具有多项式乘积

用Java实现的决策树ID3算法Eclipse工程文件，包含决策树的训练和剪枝（基于误差剪枝），可直接运行。

为了准确预测纯电动客车蓄电池的荷电状态（ ＳＯＣ）， 提出了基于广义生长剪枝径向基函数 （ ＧＧＡＰ－ＲＢＦ） 神经网络的多参数纯电动客车蓄电池 ＳＯＣ 预测模型。首先以蓄电池端电压、 放电 电流、 环境温度和循环次数作为神经网络输入参数建立 ＧＧＡＰ－ＲＢＦ 神经网络蓄电池 ＳＯＣ 预测模 型， 然后以不同放电倍率、 环境温度和循环次数的蓄电池放电试验数据作为样本对模型进行训练， 并建立了蓄电池仿真模型和纯电动客车整车仿真模型， 最后进行了城市道路循环行驶工况（ ＵＤＤＳ 工况） 下单体蓄电

针对极限学习机(ELM) 网络结构优化问题, 提出一种改进的灵敏度剪枝ELM(ImSAP-ELM). ImSAP-ELM 将??2 正则化因子引入SAP-ELM 中, 采用留一准则确定最优隐节点数. 推导基于奇异值分解的输出权重计算公式, 避免矩阵奇异导致求解无效的问题. 将ImSAP-ELM 用于故障预测, 利用多组同类型故障数据建立多个ImSAP-ELM 模型, 基于加权思想融合不同ImSAP-ELM 的预测值. 某型无人机发射机实例表明, 相比于ELM、OP-ELM (最优剪枝ELM) 和