انتخاب نمونه یک مسئله اساسی در زمینه آموزش شبکه های هوشمند است، که هدف آن یافتن یک زیرمجموعه نمونه کوچک و بهینه از کل پایگاه داده است، درحالیکه بعنوان یک مجموعه نماینده از نمونه های اولیه، کارایی مناسبی بجای بگذارد. هدف از انتخاب نمونه، بهبود کارایی الگوریتم یادگیری مخصوصا برای پایگاه های داده با ابعاد بالاست که این کار توسط پیداکردن نمونه هایی که بیشترین تاثیر را بر روی طبقه بندی دارند انجام می شود. الگوریتم های انتخاب نمونه به دو دسته کلی تقسیم می شوند: روش های انتخابی و روش های تولیدی. هدف متدهای انتخابی انتخاب یک زیرمجموعه از نمونه های موجود در پایگاه داده است. اما متدهای تولیدی، نمونه های انتخاب شده را اصلاح می کنند و بدین ترتیب نمونه های جدیدی تولید می نمایند. روشهای انتخاب مثال موجود عموما برای طبقه بندی کننده نزدیک ترین همسایگی طراحی شده اند بنابراین باید بهینه ترین روش، انتخاب و بگونه ای اصلاح شود که با استفاده از آن بتوان برای شبکه های عصبی مصنوعی مثالهای موثر در آموزش را انتخاب نمود. در این پروژه یک روش ترکیبی که بر اساس ترکیب موثری از روش های انتخابی و تولیدی بوده معرفی شده است. بدین صورت از مزایای هر دو روش به طور موثری بهره برداری گردیده است. استدلال ما برای این افزایش توانایی و دقت این است که در روش های انتخابی، نمونه های موثر گزینش شده و از طرفی در روشهای تولیدی با تکیه بر این اصل که ممکن است نمونه مورد نظر در بهینه ترین مکان خود قرار نگرفته باشد، اقدام به اصلاح نمونه ها کرده و بهترین موقعیت را برای آنها ایجاد می نمایند. در فاز اول روش ترکیبی نمونه های نماینده انتخاب شده و سپس در فاز دوم به روش می نیمم یابی simplex nelder-mead ، مثالها بهینه سازی شده و مثال تولید شده جایگزین مثال قبلی می شود در واقع مثالهایی که از روش انتخابی کاندید می شوند ، حدس اولیه برای روش تولیدی هستند. روش های ارائه شده بر روی تعدادی از پایگاههای داده معتبر آزمایش شده و نتایج آنها در مقایسه با دیگر روشها تحلیل می شود. نتایج بدست آمده موثر بودن روشها را تایید می کند.