針對極端學習機（ELM）網(wǎng)絡規(guī)?？刂茊栴}，從剪枝思路出發(fā)，提出了一種基于影響度剪枝的ELM分類算法。利用ELM網(wǎng)絡單個隱節(jié)點連接輸入層和輸出層的權值向量、該隱節(jié)點的輸出、初始隱節(jié)點個數(shù)以及訓練樣本個數(shù)，定義單個隱節(jié)點相對于整個網(wǎng)絡學習的影響度，根據(jù)影響度判斷隱節(jié)點的重要性并將其排序，采用與ELM網(wǎng)絡規(guī)模相匹配的剪枝步長刪除冗余節(jié)點，最后更新隱含層與輸入層和輸出層連接的權值向量。通過對多個UCI機器學習數(shù)據(jù)集進行分類實驗，并將提出的算法與EMELM、PELM和ELM算法相比較，結果表明，該算法具有較高的穩(wěn)定性和測試精度，訓練速度較快，并能有效地控制網(wǎng)絡規(guī)模。
?