人工神经网络是由大量简单的、反映非线性本质特征的神经元广泛连接而成的复杂非线性系统,它模拟人脑的学习功能。当神经网络训练完成后,在样本范围内输入数据,就会在极短的时间内得出精确的输出结果。目前应用最为广泛的神经网络算法是BP算法,但是基本的BP算法在训练时收敛速度较慢、容易收敛于局部极小值,因此有必要对基本BP算法进行改进。组合式非周期缺陷接地结构(CNPDGS)是由光子带隙结构发展而来,它是在微波电路的接地金属平面上人为地蚀刻出非周期性的“缺陷”结构,以改变接地电流的分布,从而改变传输线的频率特性。对CNPDGS通常采用FDTD等电磁场数值分析,这些分析方法虽然计算严格、精度高,可以精确分析CNPDGS的传输特性,但其计算过程复杂、耗时,无法满足CNPDGS日益增长的分析和设计要求。本文改进一种人工神经网络反向传播算法(BP算法),将动量方法和可变学习速度的BP算法(VLBP算法)结合,并且在每个样本点更新权值和偏置值,这种算法称为动量VLBP算法;并对基本动量VLBP人工神经网络反向传播算法的训练样本进行样本自动优化选取处理。算法和样本自动优化选取处理均由C++语言编程实现,用C++语言实现该算法可以有效的提高神经网络的计算速度,目前国际上知名的各种神经网络算法的核心部分大多数采用C、C++语言实现。并将改进的神经网络分别运用到对一种新型组合式非周期性缺陷接地结构(CNPDGS)低通滤波器和一种新型的具有双阻带特性的组合式非周期性缺陷接地结构(CNPDGS)的神经网络建模之中。以CNPDGS的结构尺寸和频率为输入样本,传输系数参数为输出样本,建模成功后,在样本范围内输入结构尺寸和频率能够很快得出准确的传输系数。结果表明应用动量VLBP算法的神经网络相对于FDTD分析方法可以节省大量的时间,并且与基本的BP算法相比,可以加速算法收敛、减少训练时间。