// Simulator FSIT dostupan je u rubrici "Simulatori" na:
//   http://www.zemris.fer.hr/predmeti/su/

// -------------------------------------------------------------------------

// Tajnice; -1 je "ne-dobra", 1 je "dobra"
// Nema učenja; ispisuje samo tablicu za sve uzorke

Perceptron p (

 SampleDimension(2),

 Samples(
    ( 2, 5, 1),
    ( 5, 2, 1),
    ( 1, 5,-1),
    ( 5, 1,-1)),

 Type("TLU:-1,1"),

 LearnMethod("Basic"),

 InputWeights(1,1.3,-5.85),

 Options(
  IterationLimit=1, LearningRate=0.00, ProduceRaport=true, LearnNow=true
 )

);

// -------------------------------------------------------------------------

// Tajnice; -1 je "ne-dobra", 1 je "dobra"
// Postupak učenja po Rosenblatu

Perceptron p (

 SampleDimension(2),

 Samples(
    ( 2, 5, 1),
    ( 5, 2, 1),
    ( 1, 5,-1),
    ( 5, 1,-1)),

 Type("TLU:-1,1"),

 LearnMethod("Basic"),

 InputWeights(1,1.3,-5.85),

 Options(
  IterationLimit=5, LearningRate=0.02, ProduceRaport=true, LearnNow=true
 )

);

// -------------------------------------------------------------------------

// Primjer učenja TLU perceptrona logičkoj funkciji XOR, pri čemu je nisko stanje označeno sa -1 a visoko sa 1. 
// Treba se prisjetiti da je perceptron linearni klasifikator pa kao takav direktno ne moľe naučiti XOR funkciju.
// Zbog toga dimenziju ulaznog uzorka umjetno povećavamo nadajući se da ćemo tako uspjeti naučiti perceptron - što
// u ovom slučaju radi. Koristi se metoda učenja "Basic". Koristi se TLU sa izlazima -1 i 1 
// (što nije navedeno u deklaraciji tipa perceptrona jer je to default). 
// XOR logička funkcija rješiva je perceptronom uz
// prethodno proširenje dimenzije ulaznih uzoraka

Perceptron p (
 SampleDimension(2),
 Expansion(
  *(elem(2),elem(2)),   // ovo je zapravo x2 na kvadrat
  *(elem(1),elem(1)),   // ovo je zapravo x1 na kvadrat
  *(elem(2),elem(1)),   // ovo je zapravo x2*x1
  elem(2),              // ovo je direktno x2
  elem(1)              // ovo je direktno x1
 ),
 Samples((-1,-1,-1),(-1, 1,1),( 1,-1,1),( 1, 1, -1)),
 Type("TLU"),
 LearnMethod("Basic"),
 InputWeights(0.3,0.2,0.1,-0.2,-0.4,-0.3),
 Options(
  IterationLimit=5, LearningRate=0.5, ProduceRaport=true, LearnNow=true
 )
);

// -------------------------------------------------------------------------

// Rješenje XOR-a ako dobro znamo pogoditi transformaciju ulaza

Perceptron p (
 SampleDimension(2),
 Expansion(
  *(elem(2),elem(1))   // ovo je zapravo x2*x1
 ),
 Samples((-1,-1,-1),(-1, 1,1),( 1,-1,1),( 1, 1, -1)),
 Type("TLU"),
 LearnMethod("Basic"),
 InputWeights(0.3,0.2),
 Options(
  IterationLimit=5, LearningRate=0.5, ProduceRaport=true, LearnNow=true
 )
);

// -------------------------------------------------------------------------

// Primjer učenja ADALINE_R perceptrona u kojem se izvodi linearna regresija.
// Zadan je ulazni skup podataka koji poprilici odgovara pravcu y=2x. Metodom
// učenja "OnLine" želi se naučiti perceptron da što bolje aproksimira ovu 
// funkciju. 

// y = 2x

Perceptron p (
 SampleDimension(1),
 Samples( (0,-0.1), (1,2.1), (2,3.9), (3,6.1), (4,8) ),
 Type("ADALINE_R"),
 LearnMethod("OnLine"),
 InputWeights(0.0),
 Options(
  IterationLimit=1, LearningRate=0.1, ProduceRaport=true, LearnNow=true
 )
);


// -------------------------------------------------------------------------

// Primjer učenja ADALINE_R perceptrona u kojem se izvodi linearna regresija.
// Zadan je ulazni skup podataka koji poprilici odgovara pravcu y=2x. Metodom
// učenja "Batch" želi se naučiti perceptron da što bolje aproksimira ovu 
// funkciju. 

// y = 2x

Perceptron p (
 SampleDimension(1),
 Samples( (0,-0.1), (1,2.1), (2,3.9), (3,6.1), (4,8) ),
 Type("ADALINE_R"),
 LearnMethod("Batch"),
 InputWeights(0.0),
 Options(
  IterationLimit=4, LearningRate=0.02, ProduceRaport=true, LearnNow=true
 )
);