遗传神经网络在腔体滤波器结构参数优化中的应用

开篇：润墨网以专业的文秘视角，为您筛选了一篇遗传神经网络在腔体滤波器结构参数优化中的应用范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

【摘要】 在工程实践中，为了减少对腔体滤波器结构参数设计的盲目性和对经验的依赖性，不断提高设计效率，提出了一种基于遗传神经网络的优化设计方法。该方法采用浮点数编码方式和自适应的交叉率、变异率，将改进的遗传算法用来优化BP神经网络的权重，在MATLAB环境下调用HFSS实现腔体滤波器的优化设计。仿真实验表明，该算法能够较精准的预测腔体滤波器的结构参数，可提高设计精度及优化速度。

【关键词】 遗传算法 BP神经网络 结构参数 优化

一、引 言

传统的滤波器设计需要大量繁琐计算和曲线查找，在商用电磁仿真软件出现后，微波滤波器的设计得到了很大的改善，但是在实际操作中对经验依赖性还是很强。如何快速准确的设计出符合要求的滤波器，是传统的滤波器设计方法和目前的商用电磁仿真软件难以有效解决的。针对以上问题，本文将遗传算法和BP神经网络结合[1]，在MATLAB环境下实现了对腔体滤波器结构参数的设计。

二、遗传神经网络优化

BP神经网络尤其适用在有大量实验数据，而数据间的内在关系很难用明确的表达式的非线性系统中，但在实际应用中神经网络存在学习时间长，容易陷入局部极小点等弊端。因为该算法从本质上来说属于局部寻优算法，为此利用遗传算法全局搜索能力强的特点，结合神经网络的局部寻优能力，可以更好的实现对非线性系统的预测，其基本思想是通过遗传算法得到更好的网络初始权重。

2.1算法实现过程

遗传神经网络分为BP神经网络结构确定、遗传算法优化和BP神经网络预测3个部分。本文是以三腔体滤波器为例，将滤波器的频率f和耦合系数c作为输入向量

其次，使用改进的遗传算法对网络初始权重进行优化，将初步得到的权重赋给尚未开始训练的BP神经网络。然后，设置训练参数，开始训练网络，将 90组数用于网络训练，10组作为测试样本。最后将预测结果反归一化，观察得到的误差值，其流程图如图1所示。

2.2 优化结果

采用上述遗传神经网络算法对腔体滤波器的结构参数进行优化，均方误差为5.0972×10-5， 时间为1.056s；BP网络的均方误差为2.8871×10-4，时间为2.103s，可以看出遗传神经网络优化值更加精确，速度快。

三、结论

本文针对遗传算法和神经网络的优缺点，将遗传算法与BP神经网络有机地结合在一起，应用在腔体滤波器结构参数的优化中，优化结果表明此方法可以在较短的时间内达到精度范围内的优化值，为腔体滤波器的结构参数优化设计提供了一种新方法。

system loading margin estimation.[J].Generation，Transmission&Distribution， IET. 2012，V6：1153-1163.

联系方式：王雪 河北省保定市永华北大街619号 华北电力大学 071000。 15028200467