改進的LMBP算法在組合式非周期缺陷接地結構建模中的應用.pdf

1、人工神經網絡是模擬人腦的信息處理系統(tǒng)，經過對指定數(shù)據(jù)集進行訓練，可以學會輸入數(shù)據(jù)和輸出數(shù)據(jù)之間的任意非線性映射關系，為微波電路快速精確的分析和設計提供了新的有效途徑。 組合式非周期缺陷接地結構(CNPDGS)是通過在微波電路底面的金屬接地板蝕刻“缺陷”，改變接地板上的電流分布，從而使整個微波電路在特定頻段處表現(xiàn)出禁帶特性的電路結構。對CNPDGS的分析通常采用FDTD等方法，雖然這些電磁場數(shù)值分析方法計算嚴格、精度高，但是計算過

2、程復雜、耗時，不利于CNPDGS的分析和設計。由于CNPDGS的傳輸系數(shù)取決于“缺陷”的尺寸和工作頻率，并與之形成非線性映射，故可建立CNPDGS的神經網絡模型。 本文首先對神經網絡的權值初始化方式進行探討，在兼顧權值的選取范圍和優(yōu)化選取方向的基礎上，提出了一種改進的N-W權值優(yōu)化選取方法。經實驗驗證，改進的N-W權值選取方法能夠有效的提高收斂速度，減少神經網絡的訓練時間。然后通過對原始LMBP算法誤差變化的分析，提出了一種改進

3、的LMBP算法。由于引入了微調因子，該算法不僅提高了收斂速度，而且對神經網絡的初始參數(shù)設定不再敏感，同時還能夠克服神經網絡易陷入局部最小的缺點。改進的N-W權值優(yōu)化選取方法和改進的LMBP算法均在Microsoft Visual C++6編程環(huán)境下實現(xiàn)。最后將兩種算法結合起來，形成一種綜合改進的LMBP筆法。將該算法應用于一種新型組合式非周期缺陷接地結構(CNPDGS)的低通濾波器中，建立了精確的神經網絡模型。綜合改進的LMBP算法大大