%讀取訓練資料
clear
clc
%f1 f2 f3 f4是四個特徵值
[f1,f2,class] = textread('trainData.txt' , '%f%f%f');
%特徵值歸一化
[input,minI,maxI] = premnmx( [f1 , f2 ]')  ;
%構造輸出矩陣
s = length( class) ;
output = zeros( s , 2  ) ;
for i = 1 : s 
   output( i , class( i )  ) = 1 ;
end
output
%建立神經網路
net = newff( minmax(input) , [10 2] , { 'logsig' 'purelin' } , 'traingdx' ) ; 
%設定訓練引數
net.trainparam.show = 50 ;% 顯示中間結果的週期
net.trainparam.epochs = 500 ;%最大迭代次數（學習次數）
net.trainparam.goal = 0.01 ;%神經網路訓練的目標誤差
net.trainParam.lr = 0.01 ;%學習速率（Learning rate）

%開始訓練
%其中input為訓練集的輸入訊號，對應output為訓練集的輸出結果
net = train( net, input , output' ) ;
%================================訓練完成====================================%
%=============================接下來進行測試=================================%

%讀取測試資料
[t1 t2 c] = textread('testData.txt' , '%f%f%f');

%測試資料歸一化
testInput = tramnmx ( [t1,t2]' , minI, maxI ) ;
%[testInput,minI,maxI] = premnmx( [t1 , t2]')  ;
%模擬
%其中net為訓練後得到的網路，返回的Y為
Y = sim( net , testInput ) 
%{
Y返回預測值，輸出有兩個記為A、B，理想情況下輸出為上述的output，輸出結果只有1和0兩種
即：output =
     0     1
     0     1
     0     1
     0     1
     1     0
     1     0
     1     0
     1     0
     1     0
     1     0
---------------------------------------------------------------------------------
例：Y =
    0.1432    0.4841    1.0754    1.2807    0.8405
    0.6034    0.5329    0.1427   -0.4194    0.0947
則說明：
    對於第一個測試資料，輸出結果A=0.1432，輸出結果B=0.6034
    對於第一個測試資料，輸出結果A=0.4841，輸出結果B=0.5329
因此，對於本例：若結果A更接近於1（左接近或右接近），那麼說明該測試資料屬於第一個分類；
               若結果B更接近於1（左接近或右接近），那麼說明該測試資料屬於第二個分類。
因此，ANN除了應用於分類問題，也可應用於對具體數值的預測問題。
---------------------------------------------------------------------------------
_______________________________________________________________2018.02.06 by_LeoHao
%}
%統計識別正確率
[s1 , s2] = size( Y ) ;
hitNum = 0 ;
for i = 1 : s2
    [m , Index] = max( Y( : ,  i ) ) ;
    if( Index  == c(i)   ) 
        hitNum = hitNum + 1 ; 
    end
end
sprintf('識別率是 %3.3f%%',100 * hitNum / s2 )