支持向量机（SVM）具有较强的“黑箱性”，用户对数据的处理过程难以理解。基于回归树算法可有效提取规则，但是传统回归树算法叶节点通常采用算术平均数作为规则的结果，缺陷是到达叶节点样本较多且目标值浮动较大会导致训练和预测的准确度严重下降，而目精度严重依赖于终止条件的设定值。由此提出的改进算法是在回归树的叶节点处采用最小二乘法拟合出对应的函数表达式，代替原算法中的算术平均数。应用煤制甲醇数据进行验证，结果表明改进的回归树算法相比于传统回归树算法训练精度提高了10．6％，预测准确度提高16．3％，同时也有效避免终止条件取值的盲目尝试性，提高实验效率。

针对在少故障样本情况下，建立状态识别决策表时数据离散化的阈值难以确定的问题，提出了将系统正常工作时状态参数变化区间的边界值作为状态参数离散化阈值来建立液压系统故障识别决策表，以此处理某型翻车机液压系统故障识别问题。应用粗糙集理论对建立的决策表进行属性约简，得到系统故障诊断的简化规则，并将这些规则存入故障诊断专家系统的知识库中用于系统故障识别。专家系统的现场诊断结果表明，应用该方法提取的故障诊断规则具有较高的鲁棒性。