在建模过程中，如果要建立精确的神经网络模型，通常需要提供大量的训练样本。而在课题开展过程中，针对微波均衡器的复杂特性提出了以海量数据库为基础的网络子结构互联分析方法。这一方法的提出为建立均衡器神经网络模型提供了大量准确的训练样本。
　　文中采用加入LM算法进行网络训练的RBF网络对均衡器进行建模，将均衡器的结构尺寸（谐振腔的腔长、探针插入主传输线的深度、吸收材料插入深度）和频率作为神经网络的输入样本，S参数作为输出样本，进行RBF网络训练。总共选取了100组样点作为训练数据，另外又选取了100组不同的样点作为神经网络模型性能的测试数据。频率8.6GHz≤freq≤10.092 5GHz。模拟S参数与输入样本间的关系：Y=F(X)，其中：X是神经网络的输入变量；Y是输出变量，Y=(|S11|,|S21|)。利用MATLAB软件仿真输出变量中|S21|的仿真和训练结果如图4～图7所示。其中，图4为RBF网络的仿真曲线, 由此可见误差非常小。图5给出了达到预期的设计精度0.000 1所需的训练步数为35步，此网络很快即达到了设计精度。为了验证训练后的RBF网络的性能，另选取100组样点进行测试，其测试曲线如图6所示，RBF网络的测试性能可由图7所示，测试绝对误差的绝对值小于0.03，98%的测试相对误差小于5%，在|S21|衰减最大的拐点位置相对误差较大，这是因为测试样点在拐点处的选取没能满足实验设计（DOE）原则。仿真输出再次说明RBF神经网络建模的性能相当稳定。而且利用该神经网络进行仿真设计的结果具有很好的可重复性，设计达到的效果令人满意。

本文采用RBF神经网络对微波均衡器进行了建模。仿真设计的结果与网络分析仪的测试结果进行了比较，误差较小。这表明本文提出的神经网络模型设计方法使得微波均衡器的设计过程变得速度快、精度高，具有准确、省时、辅助设计等优点。对于微波器件的分析设计具有很好的应用价值。