clear all
clf
nn=adaline(-1, -0.5);
%ciag wzorcow
X=[1 1.5];
% ciag porzadanych odpowiedzi
Z=[2 3];

% ciag wartosci dla ktorych chcemy zbadac odpoiedz sieci
x=[0.5 2];

% powierzchnia bladu

subplot(221)
w=linspace(1.9,2.1,50); % wyswietlany fragment przestrzeni wag
b=linspace(-0.1,0.1,50); % wyswietlany fragment przestrzeni biasu

z=err_surf(nn,w,b,X,Z); % obliczamy wartosc bladu dla kazdej 
% z kombinacji wag i biasu
% rysujemy ta poowierzchnia konturowo
zz=linspace(0.0001,0.1,10);
contour(w,b,z,zz);
hold on

%uczymy neuron
eta=0.6;
N=100; % ilosc krokow uczenia
len = length(X); % dlugosc ciagu uczacego

for m=0:N 
    xx=X(1+mod(m,len)); % wybieramy element ciagu uczacego
    zz=Z(1+mod(m,len)); % wybieramy element ciagu uczacego
    
    [nn, delta(m+1)]=adaptuj_adaline(nn, xx, zz, eta);
    % podgladamy efekty dzialania sieci na wektorze x w bierzacym kroku ucenia
    for ii=1:length(x)     
        y(ii)=adaline_sim(nn,x(ii));
    end
    subplot(222)
    plot(X,Z,'*',x,y,'r')
    xlim([0.5 2])
    ylim([1.5 3.5])
    drawnow
    
    subplot(221)
    plot(nn.w, nn.b,'*')
    drawnow
    
    subplot(223)
    plot(delta)
    xlim([1 100])
    drawnow
end