人工神经网络是模拟人脑的信息处理系统,经过对指定数据集进行训练,可以学会输入数据和输出数据之间的任意非线性映射关系,为微波电路快速精确的分析和设计提供了新的有效途径。组合式非周期缺陷接地结构(CNPDGS)是通过在微波电路底面的金属接地板蚀刻“缺陷”,改变接地板上的电流分布,从而使整个微波电路在特定频段处表现出禁带特性的电路结构。对CNPDGS的分析通常采用FDTD等方法,虽然这些电磁场数值分析方法计算严格、精度高,但是计算过程复杂、耗时,不利于CNPDGS的分析和设计。由于CNPDGS的传输系数取决于“缺陷”的尺寸和工作频率,并与之形成非线性映射,故可建立CNPDGS的神经网络模型。本文首先对神经网络的权值初始化方式进行探讨,在兼顾权值的选取范围和优化选取方向的基础上,提出了一种改进的N-W权值优化选取方法。经实验验证,改进的N-W权值选取方法能够有效的提高收敛速度,减少神经网络的训练时间。然后通过对原始LMBP算法误差变化的分析,提出了一种改进的LMBP算法。由于引入了微调因子,该算法不仅提高了收敛速度,而且对神经网络的初始参数设定不再敏感,同时还能够克服神经网络易陷入局部最小的缺点。改进的N-W权值优化选取方法和改进的LMBP算法均在Microsoft Visual C++ 6编程环境下实现。最后将两种算法结合起来,形成一种综合改进的LMBP算法。将该算法应用于一种新型组合式非周期缺陷接地结构(CNPDGS)的低通滤波器中,建立了精确的神经网络模型。综合改进的LMBP算法大大减少了神经网络训练的时间。将神经网络的仿真结果与FDTD计算结果及电路的实际测量结果对照,一致性很好,充分验证了改进算法的正确性和有效性。