*
* KUMAC pour demontrer l'ebtrainement d'un neuron simple
*                                      MP 6/95
opt stat
opt nbox                                                                        
opt liny
*                              Histogrammes pour la presentation
his/cre/1d 100 'Somme  classe A      ' 50 -50. 50.
his/cre/1d 101 'Somme  classe B      ' 50 -50. 50.
his/cre/1d 200 'Sortie initiale classe A' 22 -0.1 1.1
his/cre/1d 201 'Sortie initeale classe B' 22 -0.1 1.1
his/cre/1d 300 'Erreur total vs etape' 33  0.0 33.
*                              Lire l'echantillon (voir coulomb.kumac)
ne = 500
vec/cre x1([ne])       ;   vec/cre y1([ne])
vec/read x1 yots1.txt  ;   vec/read y1 tots1.txt
*                              Changer les correllation en laissant V1=V2
sigma x2 = x1 + .5     ;   sigma y2 = y1 - .7
sigma x1 = x1 - .5     ;   sigma y1 = y1 + .7
*                            Initialisation des poids et du seuil
vec/cre ner(1)   r 0.
vec/cre err(33)  r 33*0.
vec/cre poids(3) r  +.1 +0.3  -0.1
vec/cre pd1(1)   r .0
vec/cre pd2(1)   r .0
vec/cre pd3(1)   r .0
sigma eta  = .02
*                            Faire marcher le reseau, montrer resultat
sigma sum1 = x1*poids(1)+y1*poids(2)+poids(3)
sigma out1 = (sum1 gt 0.)
sigma sum2 = x2*poids(1)+y2*poids(2)+poids(3)
sigma out2 = (sum2 gt 0.)
sigma ner  = vsum(out1 ne 1) + vsum(out2 ne 0)
vec/copy ner(1:1) err(1:1)
vec/hfill sum1 100     ;   vec/hfill sum2 101
vec/hfill out1 200     ;   vec/hfill out2 201
zone 1 2
h/plot 100             ;   h/plot 101 's'
h/plot 200             ;   h/plot 201 's'
wait
*                            Adaptation poids et seuil
zone 2 4
do i=2,33
   sigma pd1=poids(1)+vsum((d1-out1)*eta*x1)+vsum((d2-out2)*eta*x2)
   sigma pd2=poids(2)+vsum((d1-out1)*eta*y2)+vsum((d2-out2)*eta*y2)
   sigma pd3=poids(3)-vsum((d1-out1)*eta)   -vsum((d2-out2)*eta)
   vec/copy pd1(1:1) poids(1:1)
   vec/copy pd2(1:1) poids(2:2)
   vec/copy pd3(1:1) poids(3:3)
   sigma print poids
*
   sigma sum1 = x1*poids(1)+y1*poids(2)-poids(3)
   sigma out1 = (sum1 gt 0.)
   sigma sum2 = x2*poids(1)+y2*poids(2)-poids(3)
   sigma out2 = (sum2 gt 0.)
   sigma ner  = vsum(out1 ne 1) + vsum(out2 ne 0)
   vec/copy ner(1:1) err([i]:[i])
   reset 0
   vec/hfill sum1 100  ;   vec/hfill sum2 101
   h/plot 100          ;   h/plot 101 's'
enddo
wait
*                          Montrer erreurs de classification par etape
zone 1 1
his/put/con 300 err
opt logy
h/pl 300