clear all
close all
clc


% macierz wejściowa
% x1 x2 stała
in=[0 0 1;
 0 1 1;
 1 0 1;
 1 1 1];

for i=1:1:5
%wektor wyjściowy
AND = [0; 0; 0; 1];
OR = [0; 1; 1; 1];
NAND = [1; 1; 1; 0];
NOR = [1; 0; 0; 0];
XOR = [0; 1; 1; 0];

out(i) =[AND OR NAND NOR XOR]; %co do chuja

lr=1; %prędkość uczenia
max_epochs=10000; %maksymalna liczba epok
max_error=0.001; %maksymalny błąd

n_in=size(in,2); %liczba wejść neuronu = 3
wagi=2*rand(n_in,1)-1; %wagi początkowe, przedzial (-1,1)
epochs=1; % pierwsza epoka
error=1; % wartość początkowa błędu
err=error; % zmienna przydatna do rysowania wykresu błedu

while error>max_error && epochs<max_epochs

 y=sigmoid(in*wagi); %obliczanie aktualnego wektora wyjsciowego
 blad=out-y; % różnica między wartościami wzorcowymi a aktualnymi
 poprawka=blad.*sigmoid_der(y);
 wagi=wagi+lr*in'*poprawka; % korekta wektora wag
 error=sum(blad.^2)/length(blad); % obliczanie błędu średniokwadratowego MSE
 epochs=epochs+1; % kolejna epoka
 err(epochs)=error; % tworzenie wektora błedów w kolejnych epokach do wykresu bledu
 disp('epoka:')
 disp(epochs)
 disp('błąd:')
 disp(error)

end

Y=sigmoid(in*wagi);

disp('Aproksymowacja funcji logicznej pojedynczym perceptronem:')
disp('-macierz wejść:')
disp(in(:,1:2)) % tylko x1 i x2
disp('-współczynniki wagowe:')
disp(wagi)
disp('-wynik aproksymowany sztucznym neuronem')
disp(Y)
disp('-wynik dokładny')
disp(out)

figure(i)
subplot(2,1,1) %wybór wykresu -> help subplot
semilogy(1:epochs,err) %wykres ze skalą logarytmiczną na osi y
grid on % dodanie siatki
xlabel('epoka')
ylabel('błąd')

subplot(2,1,2) % wybór wykresu
%tworzenie wykresu płasczyzny x1 i x2 z podziałem na wartosci 0 i 1
[X1,X2]=meshgrid(-0.1:0.1:1.1); %tworzenie siatki punktów x1 i x2 w zadanym przedziale
YY=X1*wagi(1)+X2*wagi(2)+1*wagi(3); % obliczenie wyniku f.logicznej
YY=sign(YY); %YY=1 gdy YY>0 oraz YY=-1 gdy YY<0
contourf(X1,X2,YY,1) % wykres konturowy z wypełnieniem
hold on % dzięki temu kolejny wykres nie usunie poprzedniego
plot(in(:,1),in(:,2),'ro') % rysowanie punktów wejściowych kolorem czerwonym
xlabel('x_1')
ylabel('x_2')
% ograniczenie osi wykresu
xlim([-0.1,1.1])
ylim([-0.1,1.1])

end