% Klasyfikacja punktow(obrazow) lezacych z jednej strony krzywej - granicy decyzyjnej:
%
%      klasa 0
%
%                  (3,3) o-------------------------------------
%                         \
%                          \
%                           \
% ---------------------------o (4,1)
%
%      klasa 1
%
%


% METODA ANALITYCZNA

% net = newff([-1 1; -1 1], [2 1],{'hardlim', 'hardlim'});
%
% net.IW{1} = [1 -1;-1 1]                % wagi od wejsc do pierwszej warstwy
% net.LW{2,1} = [1 1]              % wagi od pierwszej do drugiej warstwy
% % net.LW{3,2} = ...            % byc moze przydadza sie wagi od drugiej do trzeciej warstwy
% net.b{1} = [-0.5 ;-0.5];                 % wartosci progowe neuronow pierwszej warstwy
% net.b{2} = -0.5;
% % net.b{3} = ...
%
% [X,Y] = meshgrid(0:0.1:6);
% ZA = X;
% ZA(:) = sim(net,[X(:) Y(:)]');
% surf(X,Y,ZA);
% title('Klasyfikacja punktow metoda analityczna')

% 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 = ...
% klasy = ...
%
% net = newff(...);
%
% ............................
%
% [X,Y] = meshgrid(0:0.1:6);
% ZU = X;
% ZU(:) = sim(net,[X(:) Y(:)]');
% surf(X,Y,ZU);
% title('Klasyfikacja punktow metoda uczenia')
% Wygenerowanie punktów
x1 = rand(1, 80) * 6;
x2 = rand(1, 80) * 6;
obrazy = [x1; x2];
klasy = (obrazy(1,:) > 2) .* (obrazy(1,:) < 6) .* (obrazy(2,:) > 3) .* (obrazy(2,:) < 7 );
ind1 = find(klasy == 0);
ind2 = find(klasy == 1);

net = newff([-1 1; -1 1], [2 1],{'hardlim', 'hardlim'});

net.IW{1} = [1 -1;-1 1]                % wagi od wejsc do pierwszej warstwy
net.LW{2,1} = [1 1]              % wagi od pierwszej do drugiej warstwy
% net.LW{3,2} = ...            % byc moze przydadza sie wagi od drugiej do trzeciej warstwy
net.b{1} = [-0.5 ;-0.5];                 % wartosci progowe neuronow pierwszej warstwy
net.b{2} = -0.5;
% net.b{3} = ...

% Narysowanie wykresu
[X,Y] = meshgrid(0 : 0.1 : 8);
Z = X;
Z(:) = sim(net, [X(:) Y(:)]');
contour(X,Y,Z,[0.499 0.5 0.501]);
hold on
plot(x1(ind1),x2(ind1),'bo',x1(ind2),x2(ind2),'rs')
hold off


% 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)))))