چکیده: در این پایان‌نامه، روشی برای تعیین مشخصه‌های هندسی بهینه آنتن آرایه دوقطبی متناوب لگاریتمی با استفاده از الگوریتم یادگیری ماشینی ارائه شده است. آنتن‌های LPDA معمولاً دارای مشخصه‌های هندسی متعددی هستند و طراحی آن‌ها با روش‌های سنتی بسیار دشوار و هزینه‌بر است. هدف این پایان‌نامه به‌دست‌آوردن مشخصه‌های هندسی بهینه برای آنتن LPDA است. برای این منظور، از توانایی شبکه‌های عصبی در تقریب زنی توابع غیرخطی و پیچیده بهره گرفته شده و مشخصات پاسخ این آنتن شامل نسبت ولتاژ به موج ساکن ، بهره و نسبت جلو به عقب به‌صورت تابعی از مشخصه‌های آنها مانند ابعاد تخمین زده شده‌اند. در این روش از سه شبکه عصبی با انشعاب موازی و مستقل برای سه مشخصه عملکرد متفاوت برای انجام این کار استفاده شده است. همچنین، سیستم شبکه عصبی با استفاده از داده‌های حاصل از تحلیل وشبیه سازی دو آنتن به‌عنوان داده‌ آموزشی توسط نرم‌افزار CST آموزش‌داده‌شده است. فرکانس‌های طراحی این دو آنتن به ترتیب 350 تا 1800 مگاهرتز و 250 تا 720 مگاهرتز است. در فرآیند بهینه‌سازی، با تعریف یک تابع هدف مناسب و بهینه‌سازی آن با الگوریتم ازدحام ذرات (PSO)، مقادیر مشخصه‌های هندسی بهینه شده آنتن LPDA برای به‌نتیجه‌رسیدن تابع هدف تعریف شده است. مقایسه نتایج این روش با مقادیر متناظر حاصل از تحلیل تمام موج مشخصه یا بهینه‌سازی‌های متداول در مطالعات قبلی، حاکی از دقت روش پیشنهادی است. این روش یک تکنیک قاعده‌مند جهت بهینه‌سازی ارائه می‌دهد که بسیار سریع‌تر از روش‌های متداول است. در روش پیشنهادی، برنامه CST که اجرای آن زمان‌بر است، تنها به‌دفعات محدود فقط جهت تولید داده‌های آموزشی بکار می‌رود و بهینه‌سازی در محیط نرم‌افزار MATLAB با الگوریتم ازدحام ذرات و بدون نیاز به اجرای CST انجام می‌شود.