遺傳神經網絡在腔體濾波器結構參數優化中的應用

張淑娥等

【摘要】 在工程實踐中，為了減少對腔體濾波器結構參數設計的盲目性和對經驗的依賴性，不斷提高設計效率，提出了一種基于遺傳神經網絡的優化設計方法。該方法采用浮點數編碼方式和自適應的交叉率、變異率，將改進的遺傳算法用來優化BP神經網絡的權重，在MATLAB環境下調用HFSS實現腔體濾波器的優化設計。仿真實驗表明，該算法能夠較精準的預測腔體濾波器的結構參數，可提高設計精度及優化速度。

【關鍵詞】 遺傳算法 BP神經網絡 結構參數 優化

一、引 言

傳統的濾波器設計需要大量繁瑣計算和曲線查找，在商用電磁仿真軟件出現后，微波濾波器的設計得到了很大的改善，但是在實際操作中對經驗依賴性還是很強。如何快速準確的設計出符合要求的濾波器，是傳統的濾波器設計方法和目前的商用電磁仿真軟件難以有效解決的。針對以上問題，本文將遺傳算法和BP神經網絡結合[1]，在MATLAB環境下實現了對腔體濾波器結構參數的設計。

二、遺傳神經網絡優化

BP神經網絡尤其適用在有大量實驗數據，而數據間的內在關系很難用明確的表達式的非線性系統中，但在實際應用中神經網絡存在學習時間長，容易陷入局部極小點等弊端。因為該算法從本質上來說屬于局部尋優算法，為此利用遺傳算法全局搜索能力強的特點，結合神經網絡的局部尋優能力，可以更好的實現對非線性系統的預測，其基本思想是通過遺傳算法得到更好的網絡初始權重。

2.1算法實現過程

遺傳神經網絡分為BP神經網絡結構確定、遺傳算法優化和BP神經網絡預測3個部分。本文是以三腔體濾波器為例，將濾波器的頻率f和耦合系數c作為輸入向量

其次，使用改進的遺傳算法對網絡初始權重進行優化，將初步得到的權重賦給尚未開始訓練的BP神經網絡。然后，設置訓練參數，開始訓練網絡，將 90組數用于網絡訓練，10組作為測試樣本。最后將預測結果反歸一化，觀察得到的誤差值，其流程圖如圖1所示。

2.2 優化結果

采用上述遺傳神經網絡算法對腔體濾波器的結構參數進行優化，均方誤差為5.0972×10-5， 時間為1.056s；BP網絡的均方誤差為2.8871×10-4，時間為2.103s，可以看出遺傳神經網絡優化值更加精確，速度快。

三、結論

本文針對遺傳算法和神經網絡的優缺點，將遺傳算法與BP神經網絡有機地結合在一起，應用在腔體濾波器結構參數的優化中，優化結果表明此方法可以在較短的時間內達到精度范圍內的優化值，為腔體濾波器的結構參數優化設計提供了一種新方法。

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

聯系方式：王雪 河北省保定市永華北大街619號 華北電力大學 071000。 15028200467 wtubage@163.com