/**
  ******************************************************************************
  * @file           main.c
  * @author         古么宁
  * @brief          径向基 rbf 神经网络测试函数
  *   使用方法：
  *       1. RBFNN_CREATE(NAME,INN,OUTN,NRNN) ;创建一个神经网络
  *       2. struct rbfnntrain rbftrcfg; 定义训练参数
  *       3. rbfnn_init(&rbfnn);对神经网络的内存进行初始化
  *       4. rbfnn_train(&rbfnn,&traincfg,sample_in,sample_out,size);用样点训练神经网络
  *       5. rbfnn_calculate() ;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 ---------------------------------------------------*/
#include <stdio.h>
#include <math.h>
#include <stdlib.h>
#include <stdint.h>
#include <string.h>

#include "rbfNeuralNetwork.h"



#define NetIn           2  //两个输入
#define NetOut          1  //输出端个数，此处可以改为 2 作多输出 demo
#define NeuronNum       60 //神经元个数



//测试曲面 x*x - y*y/5 为马鞍面
#define CurveRz(x,y)    (x*x - y*y/5) //(x*y+1) // (x + y)////
#define CurveRs(x,y)    (x*2 + 3*y)

#define SampleScaleXnum   15  //在 x 轴取 SampleScaleXnum 个刻度值
#define SampleScaleYnum   15  //在 y 轴取 SampleScaleYnum 个刻度值

//样点个数,取样方式可以用随机数的方式，这里选用固定 x 、y 以网格状取点
#define SampleSize        (SampleScaleXnum * SampleScaleYnum)  

#define SampleScaleXs     0.0
#define SampleScaleXe     20.0  // x 向范围为 0 - 20 ，分为 SampleScaleXnum 个刻度值
#define SampleScaleYs     0.0
#define SampleScaleYe     20.0  // y 向范围为 0 - 20 ，分为 SampleScaleYnum 个刻度值


//1.创建一个神经网络
RBFNN_CREATE(demorbfnn,NetIn,NetOut,NeuronNum) ;

//2.定义训练参数
struct rbfnntrain rbftrcfg = 
{
	// 最大训练次数
	.maxt = 40000,

	// 学习结束界限，总误差方差
	.limit = SampleSize * 0.1 ,

	//学习速率因子
	.eta = 0.0001 ,
};



double samplein[SampleSize][NetIn];//样点输入格式
double sampleout[SampleSize][NetOut];//样点输出格式
void sample_init(void)//初始化训练样点
{
	int iCntx = 0;
	int iCnty = 0;
	int iIndex = 0;
	double dSampleX = SampleScaleXs;
	double dSampleY = SampleScaleYs;
	double dSampleX_d = SampleScaleXe - SampleScaleXs;
	double dSampleY_d = SampleScaleYe - SampleScaleYs;
	double dStepX = dSampleX_d / (SampleScaleXnum - 1);
	double dStepY = dSampleY_d / (SampleScaleYnum - 1);

	for (iCnty = 0; iCnty < SampleScaleYnum; iCnty++) //初始化样点，网格状取样点
	{
		dSampleX = SampleScaleXs;
		for (iCntx = 0; iCntx < SampleScaleXnum; iCntx++)
		{
			samplein[iIndex][0] = dSampleX;   //先初始化 (x,y) 向量的 x
			samplein[iIndex][1] = dSampleY;   //固定 (x,y) 的 y 不变
			sampleout[iIndex][0] = CurveRz(dSampleX,dSampleY);
			
			#if (2 == NetOut) //多输出 demo
				sampleout[iIndex][1] = CurveRs(dSampleX,dSampleY);
			#endif
			
			iIndex++;
			dSampleX += dStepX;
		}
		dSampleY += dStepY;
	}
}




int  main(void)
{
	double netin[NetIn];
	double netout[NetOut];

	sample_init();//初始化样点

	// 3.对神经网络的内存进行初始化
	rbfnn_init(&demorbfnn);
	
	// 4.用样点训练 demorbfnn 神经网络
	rbfnn_train(&demorbfnn , &rbftrcfg , samplein , sampleout , SampleSize);
		
	while (1) // 输入两个数字测试神经网络效果
	{
		printf("\r\n(%f< x <%f)(%f < y < %f)\r\nplease input x y:",SampleScaleXs,SampleScaleXe,SampleScaleYs,SampleScaleYe);
		
		scanf("%lf %lf", &netin[0], &netin[1]);

		rbfnn_calculate(&demorbfnn ,netin,netout);
		
		#if (1 == NetOut) //单输出 demo
		
			printf("rbfnn:%f\n", netout[0]);
			printf("  Rz :%f\n", CurveRz(netin[0], netin[1]));
			
		#else //多输出 demo
			
			printf("rbfnn:%f,%f\n", netout[0], netout[1]);
			printf("Rz,Rs:%f,%f\n", CurveRz(netin[0], netin[1]), CurveRs(netin[0], netin[1]));
			
		#endif
	}
	return 0;
}