92、基于导电聚合物的神经网络湿件进化研究

基于导电聚合物的神经网络湿件进化研究

在当今科技发展中，神经网络的研究不断取得新的突破。本文将聚焦于基于导电聚合物的神经网络相关内容，深入探讨其学习机制、性能特点以及应用潜力。

1. 监督学习：以与门为例

在监督学习中，以与门为例进行说明。当输入 (X_1) 和 (X_2) 分别为 1 和 -1 时，目标输出 (T) 为 -1，实际输出 (Y) 为 1。设 (\epsilon) 为正的常数，当 (\epsilon = 0.05) 时，训练函数 (\Delta W_1) 和 (\Delta W_2) 分别为 -0.1 和 +0.1，这表明突触 1 和 2 的权重应分别减少和增加 10%。

对于聚合物情况，突触权重更新顺序会被转换以控制机械继电器。Arduino 程序设计的顺序是仅让 1n 和 2p 突触与交流生长电源和地形成连接。没有生长指令的其他突触以及正确答案对应的突触（即 (\Delta W = 0)）的继电器保持中立位置。学习完成后，(Y = T) 的判断总是为“是”，后续测试重复进行，但不再下达进一步的学习指令。

图 20.6(d) 展示了与门学习过程中的典型电导变化。在第 130 个训练周期，(w_{1p}) 的电导突然增加到 0.3 μS，而 (2p) 在相当长的一段时间内没有出现导线桥接现象。在大约第 290 个训练周期，(w_{2p}) 突然增加到 0.6 μS，随后 (w_{1p}) 增加到 0.7 μS。当电极对 1p 和 2p 实现聚合物桥接后，对于与门的监督信号 (T)，每个输入组合的输出结果 (Y) 都能给出正确答案。一对单导线或几根聚合物导线通过保持突触权重的平衡来实现其逻辑功能。此外，还进行了或门、与非门和或非门的学习。