% xarxa.m
nntwarn OFF
% Fitxer: per mail
%---------------------------------------------------------
% Amb aquest script s'entrena una xarxa neuronal per
% classificar una situacio de joc: un jugador i una pilota.
% Classes: ATACAR, DEFENSAR.
%
% 1- L'usuari entra N situacions ja ell mateix classifica
% 2- S'engega el proces d'entrenament
% 3- L'usuari pot comprovar el funcionament de la xarxa
%
% Model: feed forward, 3 capes, TANSIG
% Josep Lluis de la Rosa, 4 de novembre de 1998
% (després d'una llarga, llarga nit...)
%---------------------------------------------------------

%-------------Configuracions previes
clear xrobot yrobot xpilota ypilota P T W b p;
N=7;
LLARG=48;
AMPLA=36;
%-------------dibuixa camp de joc...
whitebg
hold off
plot([1 1 LLARG LLARG 1],[1 AMPLA AMPLA 1 1])
hold on;
plot([LLARG/2 LLARG/2],[1 AMPLA])
title('Gol cap a la dreta')

%--1-----------Entrada de posicions dels objectes (amb mouse)------------
disp('Proces d_entrenament d_una xarxa neuronal')
a=['Entra l_accio a executar davant ' num2str(N) ' situacions diferents'];
disp(a)
disp('Les accions possibles son : ATACAR i DEFENSAR ')
disp('i les situacions son les que tu vulguis.')

for i=1:N,
	disp(['------------------' num2str(i) '----------------------'])
	disp('Indica on es el robot')
	[x y]=ginput(1);
	plot(x,y,'*');
	xrobot(i)=fix(x);
	yrobot(i)=fix(y);
	disp('Indica on es la pilota')
	[x y]=ginput(1);
	xpilota(i)=fix(x);
	ypilota(i)=fix(y);
	plot(x,y,'o');
	line([xrobot(i) x],[yrobot(i) y]);
	T(i)=input('Tipus d_accio? [Atacar=1/Defensar=0]');
end

%--2------------Entreno la xarxa...----------------------------
P=[xrobot' yrobot' xpilota' ypilota']';

%--amb HARDLIM--
%[W,b]=initp(P,T)
%[W,b,epochs,errors]=trainp(W,b,P,T,-1)

%--amb LINEAR--(no convergeix prou be)
%[W,b]=initlin(P,T)
%tp=[50 1000 0.03];
%[W,b]=trainwh(W,b,P,T,tp)

%-- amb FEED FORWARD perceptró multicapa (Santi help)
[W1,B1,W2,B2,W3,B3]=initff(P,10,'tansig',10,'tansig',T,'tansig')
df = 5;    % Frequency of progress displays (in epochs).
me = 100;  % Maximum number of epochs to train.
eg = 0.01; % Sum-squared error goal.
lr = 2;    % Learning rate.
tp=[50 5000 0.01];
[W1,B1,W2,B2,W3,B3,TE,TR] = TRAINBP(W1,B1,'tansig',W2,B2,'tansig',W3,B3,'tansig',P,T,tp)
% 	  Wi - SixR weight matrix for the ith layer.
% 	  Bi - S1x1 bias vector for the ith layer.
% 	  Fi - Transfer function (string) for the ith layer.
% 	  P  - RxQ matrix of input vectors.
% 	  T  - SxQ matrix of target vectors.
% 	  TP - Training parameters (optional).
% 	Returns new weights and biases and
% 	  Wi - new weights.
% 	  Bi - new biases.
% 	  TE - the actual number of epochs trained.
% 	  TR - training record: [row of errors]



%--3------------i ara puc fer el test:---------------------------
a=input('Prem tecla...');
plot([1 1 LLARG LLARG 1],[1 AMPLA AMPLA 1 1])
hold on;
plot([LLARG/2 LLARG/2],[1 AMPLA])
title('Gol cap a la dreta')

M=input('Quantes situacions vols provar?');
for i=1:M,
	disp(['------------------' num2str(i) '----------------------'])
	disp('Indica on es el robot')
	[x y]=ginput(1);
	plot(x,y,'*');
	p(1)=fix(x);
	p(2)=fix(y);
	disp('Indica on es la pilota')
	[x y]=ginput(1);
	p(3)=fix(x);
	p(4)=fix(y);
	plot(x,y,'o');
	line([p(1) x],[p(2) y]);

%	LINEAR:	
%	av=simulin(p',W,b)

%	HARDLIM: 
%	av=simup(p',W,b)

% 	FEED FORWARD
	av = simuff(p',W1,B1,'tansig',W2,B2, 'tansig', W3, B3,'purelin')
	if av > 0.5
		disp('ATACAR')
	else
		disp('DEFENSAR')
	end
end