% UCZENIE

% obrazy 2-wymiarowe (w kolumnach) i ich klasy  (należy podać maksymalnie 30 obrazów uczących,
% pozwalających (wraz z odpowiednią architekturą sieci i jej parametrami) na jak najwierniejsze odwzorowanie
% zadanej funkcji klasyfikacji gdy x i y sa z przedzialu <0,6>):
obrazy = [4 2; 4 2.5; 4 2.8; 3 0.8; 2 0.9; 1 0.9; 5 2.9; 5.9 2.9; 3 3.2; 4 3.1; 5.8 3.1; 3 2; 3 1.1;  1 1.1; 3 2.8; 3 ]';
klasy = [1;1;1;1;1;1;1;1;0;0;0;0;0;0;0]';
size(obrazy)
size(klasy)

net = newff([0 6; 0 6], [8 1], {'tansig' 'tansig'}, 'trainlm');

net.trainParam.epochs = 500;              % liczba epok
net.trainParam.show = 100;                % co ile epok wyswietlac wykres
net.trainParam.goal=0.0000001;            % maksymalny blad aproksymacji

net = init(net);                          % inicjacja wag sieci
net = train(net,obrazy,klasy);       % uczenie sieci

[X,Y] = meshgrid(0:0.1:6);
ZU = X;
ZU(:) = sim(net,[X(:) Y(:)]');
surf(X,Y,ZU);
title('Klasyfikacja punktow metoda uczenia')

% srednia roznica pomiedzy funkcja klasyfikacji uzyskana analitycznie i metoda
% uczenia:
disp(sprintf('srednia roznica pomiedzy funkcja uzyskana analitycznie i met. uczenia = %f',mean(mean(abs(ZU-ZA)))))