样本筛选
-
基于差分进化优化的神经网络样本筛选与回归系统
该项目针对含噪声样本集在神经网络非线性拟合中容易产生过拟合及精度受限的问题，研发了一套结合差分进化（DE）全局优化与神经网络非线性拟合的集成化解决方案。在实际工程应用中，原始数据往往混入异常值或测量噪声，这些样本会严重误导神经网络的参数收敛过程。本项目通过引入差分进化算法，将原始样本集中每个样本的选取与否编码为优化变量，构建出一个大规模的组合优化任务。算法在迭代寻优过程中，以候选样本子集驱动神经网络进行训练与验证，实时计算其均方根误差（RMSE）和决定系数（R2）。系统利用这两项核心指标构建多目标适应度函
