% 2 "hold" szeparálása MLP-vel

n=500;
r=2;
h=-1;
a=pi*rand(n,1);
b=rand(n,1)-0.5;
x1=(r+b).*cos(a);
x2=(r+b).*sin(a);

A=[x1,x2;x1+r,-x2-h];   % 2n * 2-es tömb, minden sor 1 pontnak felel meg

%%%%%%%%%%%%%%%%%%%%%%%%%%
% Output elkészítése:

%d=[zeros(n,1);ones(n,1)];                  % output perceptronhoz: 0-k és 1-esek
d=[repmat([1;0],1,n),repmat([0;1],1,n)];    % output MLP-hez: oszlopok 'one hot' vektorok

figure
gscatter(A(:,1),A(:,2),vec2ind(d),'bg');

%%%%%%%%%%%%%%%%%%%%%%%%%%
% Hálózat inicializálása és tanítása:

net=patternnet([3 5]);                     % 2 rejtett réteg, elsőben 3, másodikban 5 neuron
% itt állíthatók a hálózat paraméterei, például:
% net.trainParam.epochs=10;
% net.divideParam.trainRatio=1;
% net.divideParam.valRatio=0;
% net.divideParam.testRatio=0;
% net.performParam.regularization=0.2;
net=train(net,A(:,1:2)',d);

%%%%%%%%%%%%%%%%%%%%%%%%%%
% Tesztelés:

y=net(A(:,1:2)');          % Hálózat mit ad a tanítópontokra?, 2*2n-es tömb
% y(:,30)                  % Hálózat általi output a 30. pontra. 2-elemű vektor, 
                           % amelyek valószínűségeloszlást alkotnak, összegük 1.      

% Rács készítése: 
grX=linspace(-3,5,50);         % grid X
grY=linspace(-1.5,2.5,50);     % grid Y

grid=[repelem(grX,1,50);repmat(grY,1,50)];       % tömb, rácspontok oszlopokban
output=net(grid);                                % rácspontokra mit nyújt a hálózat

hold on;
gscatter(grid(1,:),grid(2,:),vec2ind(output),'cy','.');   % rácspontokat kiszínezzük

% Rács máshogy, beépített paranccsal:
[X,Y]=meshgrid(grX,grY);
grid2=[X(:) Y(:)];              % rácspontok sorokban
output2=net(grid2');
% gscatter(grid(1,:),grid(2,:),vec2ind(output2),'cy','.');   % rácspontokat kiszínezzük

contour(X,Y,reshape(vec2ind(output2),length(grX),length(grY)));