clear all
close all;
%Procedura BP, Matlab 2019b i wyższe

x=-1:0.1:1;%Zadanie wektora wejściowego do SN
%Wartości zadanej funkcji y(x)
y=[-.96 -.577 -.073 .377 .641 .66 .461 .134 -.201 -.434 -.5 -.393 -.165...
    .099 .307 .396 .345 .182 -.031 -.219 -.32];
%Inicjalizacja SN z sigmoidlanymi bipolarnymi funkcjami aktywacji neuronów
%(tansig) w warstwie ukrytej

l_neur =5;
siec_neur = feedforwardnet(l_neur); % utworzenie sieci w pętli otwartej
siec_neur = init(siec_neur); % inicjalizacja sieci (zerowanie wag)

%siec_neur.inputs{1}.processFcns{1} = 'mapminmax'; % wprowadzenie ograniczeń wektora wejściowego [-1 1]
% domyślnie polecenie feedforwardnet wprowadza powyższe ograniczenia

siec_neur.layers{1}.transferFcn = 'radbas'; % funkcja aktywacji pierwszej warstwy
siec_neur.layers{2}.transferFcn = 'purelin'; % funkcja aktywacji drugiej warstwy

%purelin - funkcja aktywacji liniowa, tansig - sigmoidlana
%bipolarna funkcja aktywacji, logsig - sigmoidlana unipolarna funkcja
%aktywacji, radbas - radialna funkcja aktywacji

siec_neur.trainFcn = 'traingdm' % technika uczenia sieci przy użyciu funkcji train %learngd - metoda gradientowa + momentum
siec_neur.adaptFcn = 'learngd' % technika uczenia sieci przy użyciu funkcji sim % learngd - metoda gradientowa
siec_neur.divideFcn = 'dividetrain'; % metoda przypisania danych do sieci % dividetrain - wszystkie wartości (przypisanie nielosowe)
siec_neur.performFcn = 'sse' %miara jakości aproksymacji % sse - suma kwadratów błędów
siec_neur.layers{1}.size = l_neur;% przypisanie liczby neuronów w pierwszej warstwie

siec_neur = configure(siec_neur,x,y); % automatyczna kofiguracja neuronów, wejść i wyjść do sieci

%view(siec_neur)
%Obliczanie wartości wyjścia dla zainicjalizowanej sieci
NN_out1=sim(siec_neur,x);


siec_neur.trainParam.epochs = 2000;	%Liczba epok procesu uczenia
siec_neur.trainParam.show = 100;	%Wyświetlanie błędu co … epok
siec_neur.trainParam.goal = 0.03;	%Zadany minimalny błąd odwzorowania
siec_neur.trainParam.min_grad = 1e-10;
siec_neur.trainParam.mc = 0.7;  % współczynnik uczenia momentum
%siec_neur.trainParam.max_fail = 10000; 
siec_neur.trainParam.lr = 0.05; %Zadania wart. współczynnika wzmocnienia uczenia

[siec_neur, tr,trainParam,time] = train(siec_neur,x,y);	%Procedura uczenia wag SN
eep=tr.epoch;%tablica epok
wagi1=siec_neur.IW{1}
wagi2=siec_neur.LW{2}'
bias1=siec_neur.b{1}'
bias2=siec_neur.b{2}'

NN_out2=sim(siec_neur,x);%Obliczanie wartości wyjścia z wyuczonej SN
idf=figure('color','w');
subplot(2,1,1)
plot(x,y,'o',x,NN_out1,'-')	%Wizualizacja wyniku poczatkowego
grid on
subplot(2,1,2)
plot(x,y,'o',x,NN_out2,'-')	%Wizualizacja wyniku%
grid on
showx=siec_neur.trainParam