// NeuralNetwork.cpp : 定義控制臺應用程序的入口點。
//
/************************************************************************
* 版權所有 (C)2008, HITSZ 
* 
* 文件名稱：// NeuralNetwork.cpp
* 文件標識：// 
* 內容摘要：// 利用反向傳播算法進行音軌分類
* 其它說明：
* 當前版本：// 1.0版
* 作    者：// 李江濤，哈爾濱工業大學深圳研究生院智能計算研究中心 
* 完成日期：// 2008年12月14日
* 
* 修改記錄1：
*    修改日期：
*    版 本 號：
*    修 改 人：
*    修改內容：          
************************************************************************/

#include "stdafx.h"
#include <iostream>
#include <fstream>
#include <cmath>
#include <cstring>
#include <string>
#include <ctime>

#include "GlobalVal.h"
using namespace std;

/************************************************************************
* 函數名稱：// StrToInt
* 功能描述：// string到int的轉換
* 訪問的表：// 
* 修改的表：//
* 輸入參數：// string
* 輸出參數：// int
* 返 回 值：// 
* 其它說明：// 
* 修改日期       版本號     修改人               修改內容
* -----------------------------------------------------------------------
* 2008/12/14     v1.0       李江濤               建立該函數
************************************************************************/

int StrToInt(string& str)
{
	int i, len = (int)str.size(), num = 0;
	i = 0;
	while (i < len)
	{
		num = num * 10 + (int)(str[i] - '0');
		++i;
	}
	return num;
}

/************************************************************************/
/*                           函數原型                                   */
/************************************************************************/
bool startTraining(void); 
bool startTesting(void); 
void initialWeight(void);

/************************************************************************/
/*                         主函數                                       */
/************************************************************************/
int _tmain(int argc, _TCHAR* argv[])
{
	int ctrl;  //循環控制
	int choose = 0; //循環控制
	ofstream outputFile;
	//初始化權值
	initialWeight();

	cout << "特征數：" << NUMIN << "\t" << "以mid為單位判斷準確率 !" << endl;
	while (3 != choose)
	{
		// 選擇
		ctrl = 0;
		cout << "*********************" << endl;
		cout << "    1. Train\n    2. Test\n    3. Quit\n";
		cout << "*********************" << endl;
		cout << "Please input your choice: ";
		cin >> choose;
		if (1 == choose)
		{ 
			cout << "\nTraining ... " << endl;
			while (800 > ctrl)
			{
				if (!startTraining())
				{
					cout << "train error !" << endl;
					break;
					//exit(1);
				}
				++ctrl;
			}
			cout << "Training end!\n" << endl;
		}
		else if (2 == choose)
		{
			cout << "\nTesting ..." << endl;
			outputFile.open("Result.txt");
			if (outputFile.fail())
			{
				cout<<"Can not open result file!\n";
				exit(1);
			}
			if (!startTesting())
			{
				cout << "test error !" << endl;
				//exit(1);
			}
			else 
			{
				// 輸出結果
				outputFile << "====================================================" << endl;
				outputFile << "Right number : " << rightNum << endl;
				outputFile << "Right rate : " << (float)rightNum / (float)testNum << endl;
				outputFile.close();

				cout << "Testing end!\n" << endl;
				cout << "Total number: " << testNum << endl;
				cout << "Right number : " << rightNum << endl;
				cout << "Right rate : " << (float)rightNum / (float)testNum << endl;
				cout << "\n";
			}
			
		}
		else if (3 == choose)
		{
			cout << "\nBye~~~\n" << endl;
			break;
		}
		else
		{
			cout << "Input error!" << endl;
			continue;
		}
	}
	return 0;
}


/************************************************************************
* 函數名稱：// initialWeight
* 功能描述：// 初始化神經網絡權值
* 訪問的表：// 
* 修改的表：//
* 輸入參數：// 
* 輸出參數：// 
* 返 回 值：// 無返回值
* 其它說明：// 
* 修改日期       版本號     修改人               修改內容
* -----------------------------------------------------------------------
* 2008/12/14     v1.0       李江濤               建立該函數

************************************************************************/
void initialWeight(void)
{
	int i, j;
	// 時間種子
	srand((unsigned)time(NULL));
	for (i = 0; i < NUMIN; i++)
	{
		for (j = 0; j < NUMHIDDEN; j++)
		{
			weightInHidden[i][j] = (double)((rand() % 1000) - 500) / 10000;
		}
	}

	for (i = 0; i < NUMHIDDEN; i++)
	{
		for (j = 0; j < NUMOUT; j++)
		{
			weightHiddenOut[i][j] = (double)((rand() % 1000) - 500) / 10000;
		}
	}

}

/************************************************************************
* 函數名稱：// initialWeight
* 功能描述：// 訓練神經網絡權值
* 訪問的表：// 
* 修改的表：//
* 輸入參數：// 
* 輸出參數：// 
* 返 回 值：// 無返回值
* 其它說明：// 
* 修改日期       版本號     修改人               修改內容
* -----------------------------------------------------------------------
* 2008/12/14     v1.0       李江濤               建立該函數
*
* 修改日期       版本號     修改人               修改內容
* -----------------------------------------------------------------------
* 2008/12/18     v1.1       李江濤               增加頭處理，避免每次改樣本文件
************************************************************************/

bool startTraining(void)
{
	float pgmContent[NUMIN], t[NUMOUT];
	int i, j;
	double hiddenLayer[NUMHIDDEN];
	double outputLayer[NUMOUT];
	double errOfHidden[NUMHIDDEN];
	double errOfOutput[NUMOUT];

	string filename;
	int trackNum;
	ifstream trainList("train.txt");
	if (trainList.fail())
	{
		cout << "open train.txt error !";
		return false;
	}
	while (trainList.peek() != EOF )
	{
		trainList >> filename;
		trainList >> trackNum;
		for (int k=1; k<=trackNum; ++k)
		{
			for (i=0; i<NUMIN; ++i)
			{
				trainList >> pgmContent[i];
			}
			trainList >> t[0];
			t[1] = 1 - t[0];


			for (i = 0; i < NUMHIDDEN; i++)
			{
				hiddenLayer[i] = 0;
			}
			outputLayer[0] = 0;
			outputLayer[1] = 0;
			// 初始化隱藏層
			for (i=0; i<NUMHIDDEN; ++i)
			{
				for (j=0; j<NUMIN; ++j)
				{
					hiddenLayer[i] += pgmContent[j] * weightInHidden[j][i];
				}
				hiddenLayer[i] = 1 / (1 + exp((-1) * hiddenLayer[i]));
			}
			// 初始化輸出層
			for (i=0; i<NUMOUT; ++i)
			{
				for (j=0; j<NUMHIDDEN; ++j)
				{
					outputLayer[i] += hiddenLayer[j] * weightHiddenOut[j][i];
				}
				outputLayer[i] = 1 / (1 + exp((-1) * outputLayer[i]));
			}

			// 修改輸出層誤差
			for (i=0; i<NUMOUT; ++i)
			{
				errOfOutput[i] = outputLayer[i] * (1 - outputLayer[i]) * (t[i] - outputLayer[i]);
			}
			// 修改隱藏層誤差
			for (i=0; i<NUMHIDDEN; ++i)
			{
				errOfHidden[i] = hiddenLayer[i] * (1 - hiddenLayer[i]) * (weightHiddenOut[i][0] * errOfOutput[0] 
				+ weightHiddenOut[i][1] * errOfOutput[1]);
			}

			// 更新隱藏層到輸出層權值
			for (i=0; i<NUMHIDDEN; ++i)
			{
				for (j=0; j<NUMOUT; ++j)
				{
					weightHiddenOut[i][j] = weightHiddenOut[i][j] + learningRate * errOfOutput[j] * hiddenLayer[i];
				}
			}
			// 更新輸入層到隱藏層權值
			for (i=0; i<NUMIN; ++i)
			{
				for (j=0; j<NUMHIDDEN; ++j)
				{
					weightInHidden[i][j] = weightInHidden[i][j] + learningRate * errOfHidden[j] * pgmContent[i];
				}
			}  
		}
		filename.clear();
	}
	trainList.close();

	return true;
}

/************************************************************************
* 函數名稱：// initialWeight
* 功能描述：// 測試神經網絡
* 訪問的表：// 
* 修改的表：//
* 輸入參數：// 
* 輸出參數：// 
* 返 回 值：// 無返回值
* 其它說明：// 
* 修改日期       版本號     修改人               修改內容
* -----------------------------------------------------------------------
* 2008/12/14     v1.0       李江濤               建立該函數

************************************************************************/

bool startTesting(void)
{
	ofstream testOut("testResult.txt");
	string filename;
	int trackNum;
	int maxNum;
	float maxOutPut;

	int zeroNum;
	float pgmContent[NUMIN];
	float t[NUMOUT];	
	int melodyTrack;
	ifstream testList("test.txt");
	if (testList.fail())
	{
		cout << "open test.txt error !";
		return false;
	}
	int i, j, k;
	int temp;
	double hiddenLayer[NUMHIDDEN];
	double outputLayer[50][NUMOUT];

	/*for (i = 0; i < NUMHIDDEN; i++)
	{
		hiddenLayer[i] = 0;
	}
	outputLayer[k][0] = 0;
	outputLayer[k][1] = 0;*/

	testNum = 0;
	rightNum = 0;

	while (testList.peek() != EOF)
	{
		melodyTrack = 0;
		maxOutPut = -100.0;
		maxNum = 0;
		temp = 0;
		testList >> filename;
		if (filename.empty())
		{
			continue;
		}
		testList >> trackNum;
		++testNum;
		for (k=1; k<=trackNum; ++k)
		{
			for (i=0; i<NUMIN; ++i)
			{
				testList >> pgmContent[i];
			}
			zeroNum = 0;
			testList >> t[0];
			if (t[0] > 0.5)
			{
				melodyTrack = k;
			}

			for (i=0; i<NUMIN; ++i)
			{
				if (pgmContent[i] == 0)
				{
					++zeroNum;
				}
			}

			if (zeroNum >= NUMIN-2)
			{
				outputLayer[k][0] = 0.1;
				continue;
			}

			for (i = 0; i < NUMHIDDEN; i++)
			{
				hiddenLayer[i] = 0;
			}
			outputLayer[k][0] = 0;
			outputLayer[k][1] = 0;

			// 計算隱藏層
			for (i = 0; i < NUMHIDDEN; i++)
			{
				for (j = 0; j < NUMIN; j++)
				{
					hiddenLayer[i] += pgmContent[j] * weightInHidden[j][i];
				}
				hiddenLayer[i] = 1 / (1 + exp((-1) * hiddenLayer[i]));
			}

			// 計算輸出層
			for (i = 0; i < NUMOUT; i++)
			{
				for (j = 0; j < NUMHIDDEN; j++)
				{
					outputLayer[k][i] += hiddenLayer[j] * weightHiddenOut[j][i];
				}
				outputLayer[k][i] = 1 / (1 + exp((-1) * outputLayer[k][i]));
			}

			//outputLayer[k][0] = outputLayer[k][0] - outputLayer[k][1];
		}


		for (k=0; k<trackNum; ++k)
		{
			if ((outputLayer[k][0]-maxOutPut) > 10e-4)
			{
				maxOutPut = (float)outputLayer[k][0];
				maxNum = k;
			}
		}

		testOut << filename << "  " << maxNum << "  " << melodyTrack << endl;
		if (maxNum == melodyTrack)
		{
			++rightNum;
		}
		filename.clear();
	}
	return true;
}