#include <cmath>
#include <iostream>

#define pi 3.14159265
#define N 160 // liczba neuronow
#define alpha 0.5 // wspolczynnik uczenia
#define numberOfTrainings 10000 // ile razy trenowana jest siec - w excelu są podane różne wartości dla porównania

using namespace std;


// funkcja, ktora opisane jest wahadlo matematyczne: f(t)=2cos(2t + pi/2)
double f(double t){
    return 2*cos(2*t + pi/2);
}

// funkcja aktywacji +1/-1 - w przypadku uczenia się daje 1 rozwiązaniom blisko ( <= 1),
// natomiast rozwiązania dalekie dostają wartość -1
double bipolar(double x){
    if (x > 1) return 1;
    return -1;
}

// uczenie sieci zgodnie z zasada Hebba
void train(double *w, double *y, double *out){
    // pętla ucząca przechodzi tyle razy, ile ustawimy w liczbie treningów
    for(int j=0; j<numberOfTrainings; j++){
        // aktualizujemy wagę dla każdego ze 160 neuronów
        for(int i=0; i<N; i++)
            // wzór hebba - do wagi dodajemy wyjście neuronu out(+1/-1), wyjście oryginalnej funkcji
            // i to wszystko mnożymy przez współczynnik uczenia alfa (przyjęty 0.5)
            w[i] = w[i] + alpha * y[i] * out[i];
        cout << "Network trained " << j << " times." << endl;
    }
}

int main(int, char const**)
{
    // wejscie osi OX - wartosci od 0 do pi/2 co 1/100 - wychodzi 1.60, czyli podobnie do wartości pi/2, który określa
    // ruch wahadła w jedną stronę
    double xG[N];

    // wejscie osi OY - wyliczane na podstawie funkcji f(x)
    double yG[N];

    // Wartosc funkcji aktywacji - dla dobrych wartości przyjmuje +1
    double out[N];

    // Wektor wag
    double w[N];

    // Obliczanie wartosci funkcji i przypisywanie wartosci z funkcji aktywacji
    for(double i=0; i<N; i+=1){
        xG[(int)i] = (double)(i/100); // oś X
        yG[(int)i] = f(xG[(int)i]); // oś Y
        out[(int)i] = bipolar((yG[(int)i] - w[(int)i])); //wartość liczona z funkcji przystosowania
    }

    // Tworzenie randomowych wag w[i]
    for(int i=0; i<N; i++){
        w[i] = (rand() % 100);
        w[i] /= 100;

        if (rand() % 100 >= 50)
            w[i] = -w[i];
    }

    //wchodzenie w funkcję trenującą
    train(w, yG, out);

    //dopasowywanie wag do liczby treningów - im więcej treningów, tym większe wartości przyjmują wagi
    for(int i=0; i<N; i++){
        w[i] = (w[i]*2/numberOfTrainings);
    }

    // wypisuje nauczone wagi
    for(int i=0; i<N; i++){
        cout << w[i] << endl;
    }

    return 0;
}