/**
  ******************************************************************************
  * @file           bpNeuralNetwork2.h
  * @author         古么宁
  * @brief          两层隐含层 bp 神经网络 
  *       使用方法：
  *       1. BPNN_CREATE(NAME,INN,OUTN,LY1NN,LY2NN) ;创建一个神经网络
  *       2. struct bpnntrain bptrcfg; 定义训练参数
  *       3. bpnn_init(NAME);对神经网络的内存进行初始化
  *       4. bpnn_train(&bpnn,&traincfg,sample_in,sample_out,size);用样点训练神经网络
  *       5. bpnn_calulate() ;用此函数进行计算预测
  *      <注：此文件用到变长数组，要C99以上或GNUC版本编译器支持>
  ******************************************************************************
  *
  * COPYRIGHT(c) 2018 GoodMorning
  *
  ******************************************************************************
  */
/* Includes ---------------------------------------------------*/
#ifndef __BPNeuralNetwork2_H__
#define __BPNeuralNetwork2_H__


typedef struct bpnntrain
{
	uint32_t maxt ; //最多训练次数
	double limit ; //训练结束误差界限
	double ly1WiA ;
	double ly1WiB ;
	double ly1WoA ;
	double ly1WoB ;
	double ly2WoA ; 
	double ly2WoB ; 
}
bpnntr_t;


typedef struct bp_neuralnetwork
{
	uint32_t netin ; //网络输入端个数
	uint32_t netout; //网络输出端个数
	uint32_t ly1nn ; //第一隐含层神经元个数
	uint32_t ly2nn ; //第二隐含层神经元个数
	
	// 以下为根据输入样点所进行的数据提取
	void * min_in; // min_in[netin] ,各维度输入的最小值，如 [0 -6]，即第一个输入最小为0，第二个输入最小为 -6
	void * max_in; // max_in[netin] ,各维度输入的最大值，如 [0 -6]，即第一个输入最大为0，第二个输入最大为 -6
	void * min_out;// min_out[netout] ,各维度输出的最小值，如 [0 -6]，即第一个输出最小为0，第二个输出最大为 -6
	void * max_out;// max_out[netout] ,各维度输出的最大值，如 [0 -6]，即第一个输出最大为0，第二个输出最大为 -6
	
	// 以下为神经网络的基本参数
	void * ly1Wi ; //ly1Wi[netin][ly1nn],输入层到第一隐含层的输入权重
	void * ly1Wo ; //ly1Wo[ly1nn][ly2nn],第一隐含层到第二隐含层的输出权重
	void * ly2Wo ; //ly2Wo[ly2nn][netout],第二隐含层到输出层的输出权重
}
bpnn_t;


/*
	* @brief  BPNN_CREATE
	*          创建一个神经网络
	* @param  NAME : 此神经网络的名称
	* @param  INN  : 此神经网络输入端个数
	* @param  OUTN : 此神经网络输出端个数
	* @param  LY1NN: 此神经网络第一隐含层的神经元个数
	* @param  LY2NN: 此神经网络第二隐含层的神经元个数
*/
#define BPNN_CREATE(NAME,INN,OUTN,LY1NN,LY2NN)\
double NAME##buf[(INN)*(2+(LY1NN)) + (OUTN)*(2+(LY2NN)) + (LY2NN)*(LY1NN)] = {0};\
bpnn_t NAME = {.netin=(INN), .netout=(OUTN), .ly1nn=(LY1NN), .ly2nn=(LY2NN), .min_in=NAME##buf}


/*
	* @brief  BPNN_MALLOC
	*          创建一个神经网络
	* @param  NAME : 此神经网络的名称
	* @param  INN  : 此神经网络输入端个数
	* @param  OUTN : 此神经网络输出端个数
	* @param  LY1NN: 此神经网络第一隐含层的神经元个数
	* @param  LY2NN: 此神经网络第二隐含层的神经元个数
*/
#define BPNN_MALLOC(NAME,INN,OUTN,LY1NN,LY2NN)\
bpnn_t NAME = {.netin = (INN), .netout = (OUTN), .ly1nn = (LY1NN), .ly2nn = (LY2NN),\
	.min_in = malloc(sizeof(double)* ((INN)*(2+(LY1NN)) + (OUTN)*(2+(LY2NN)) + (LY2NN)*(LY1NN)))}

	
#define BPNN_FREE(NAME) free((NAME)->min_in)
/*
	* @brief  bpnn_train
	*          用样点训练一个 bp 神经网络
	*
	* @param  traincfg   : 样点的训练信息，初始化学习速率和训练次数
	*
	* @param  samplein   : 样点的输入，形如 samplein[size][netin];
	*                        size 表示第几个样点，一个样点共有 netin 个输入
	*
	* @param  sampleout  : 样点的输出，形如 samplein[size][netout];
	*                        size 表示第几个样点，一个样点共有 netout 个输出
	*
	* @param  size       : size 样点总个数
*/
void  bpnn_train(bpnn_t * bpnn , bpnntr_t * traincfg , void * samplein, void * sampleout, uint32_t size);




/*
	* @brief  bpnn_calculate; bp 神经网络输入得到输出
	*
	* @param  in   : in[netin] ,网络的输入向量
	* @param  out  : out[netout] ,网络的输出向量
*/
void bpnn_calculate(bpnn_t * bpnn , double * in , double * out);




void bpnn_init(bpnn_t * bpnn);



#endif