% a) Generar el vector ordenado x con 50 valores en el [0, 5] (conjunto de entrenamiento) 
%    aleatoriamente con distribuci�n uniforme. Obtener y = sen3(x).

a = 5 * rand(1, 500);
x = sort(a);
y = sin(x) .^ 3;
plot(x, y, '-b')

% b) Entrenar una red neuronal con 20 neuronas en la capa intermedia para fitear 
%    la funci�n.

net = feedforwardnet(20);
net = train(net, x, y);
view(net)

% c) Generar 50 nuevos valores para x (conjunto de test), aleatoriamente con 
%    distribuci�n uniforme y obtener el resultado de simular la red obtenida para 
%    dichos valores.

a = 5 * rand(1, 2000);
test = sort(a);
yfit2 = sim(net, test);

% d) Realizar una gr�fica donde se comparen ambas curvas.

hold on;
plot(x, yfit2, '-g')

% e) Ensayar estrategias para obtener mejores resultados.
% Correr cada caso en un script separado

%    1- Incrremento del conjunto de datos.
        a = 5 * rand(1, 2000);
        x = sort(a);
        y = sin(x) .^ 3;
        plot(x, y, '-b')
        
        net = feedforwardnet(20);
        net = train(net, y, x);
        
        a = 5 * rand(1, 2000);
        test = sort(a);
        yfit = sim(net, test);


        hold on;
        plot(x, yfit2, '-g')

   
%    2- Reentrenar la red para reducir el error.
        
        a = 5 * rand(1, 500);
        x = sort(a);
        y = sin(x) .^ 3;
        plot(x, y, '-b')

        net = feedforwardnet(20);
        [net, tr] = train(net, x, y);
        min_error = tr.best_vperf;
        best = net;
   
        for i = 1:10
            net = init(net);
            [net, tr] = train(net, x, y);
            if (tr.best_vperf < min_error)
                min_error = tr.best_vperf;
                best = net;
            end;
        end;
       
        a = 5 * rand(1, 500);
        test = sort(a);
        yfit = sim(net, test);

        hold on;
        plot(x, yfit, '-g')
   
%    3- Modificar el n�mero de neuronas en la capa intermedia.
   
        a = 5 * rand(1, 500);
        x = sort(a);
        y = sin(x) .^ 3;
        plot(x, y, '-b')

        min_error = 0;  
        errores = zeros(10);
        best = net;
        for i = 1:10
            net = feedforwardnet(4*i);
            [net, tr] = train(net, x, y);
            errores(i) = tr.best_vperf;
            if (tr.best_vperf < min_error)
                min_error = tr.best_vperf;
                best = net;
            end;
        end;
       
        a = 5 * rand(1, 500);
        test = sort(a);
        yfit = sim(best, test);

        hold on;
        plot(x, yfit, '-y')
        
% REDES ADALINE

a = 5 * rand(1, 1000);
t = sort(a);
y = sin(t) .^ 3;
plot(t, y, '-b')

t = con2seq(t);
y = con2seq(y);

inputDelays = 1:5; % delayed inputs to be used
learning_rate = 0.01; % learning rate
net = linearlayer(inputDelays,learning_rate);
[net,Y,E] = adapt(net,t,y);

t = seq2con(t); t = t{1};
Y = seq2con(Y); Y = Y{1};

hold on;
plot(t, Y, '-r')