% AdapLinPred.m
% 利用線性網絡進行自適應預測(Adaptive linear prediction)：
% 用NEWLIN()創建、初始化一個線性網絡，并調用ADAPT()，即用
% Widrow-Hoff學習規則訓練此線性網絡。這樣，使用過去五個信
% 號值線性，神經元就能夠進行自適應訓練，從而對下一個信號
% 進行預測。
%
%   Author: HUANG Huajiang
%   Copyright 2003 UNILAB Research Center, 
%   East China University of Science and Technology, Shanghai, PRC
%   $Revision: 1.0 $  $Date: 2003/01/12 $
%
%   [Ref] MATLAB demo, Mathworks Co.

clear all
clc

% 定義一個波形(Defining a Wave Form)
% ----------------------------------
time1 = 0:0.05:4;      % time1定義從0~4秒的時間段
time2 = 4.05:0.024:6;  % time2定義從4~6秒的時間段
time = [time1 time2];  % time：定義模擬的所有時間段（0 ~ 6 秒）的步長
t = con2seq([sin(time1*4*pi) sin(time2*8*pi)]); % t：定義一個曾經改變頻率的信號
p = t;  % 網絡輸入與目標相同，網絡將使用過去五個目標值來預測下一個目標值

% plotting the signals to be predicted
% ------------------------------------
plot(time,cat(2,t{:}))
xlabel('Time');
ylabel('Target Signal');
title('Signal to be Predicted');

% 定義（設計）網絡(Define or Design The Network)
% ----------------------------------------------
% 設置學習率為0.1及五個延時信號，然后用newlin()創建一個線性網絡,
% 所得的網絡將用過去五個目標值來預測下一個目標值
lr = 0.1;                
delays = [1 2 3 4 5];
net = newlin(minmax(cat(2,p{:})),1,delays,lr);
[net,y,e]=adapt(net,p,t);           % 自適應地濾波信號

% 繪制網絡輸出信號(Plotting the Output Signal)
% --------------------------------------------
figure
plot(time, cat(2, y{:}), 'b-', time, cat(2, t{:}), 'k--')   % 繪制線性神經元信號和目標信號
xlabel('Time');
ylabel('Output -  Target --');
title('Output and Target Signals');

% 繪制神經元輸出信號與目標信號之差，以便觀察預測性能（網絡誤差） 
figure
plot(time,cat(2,e{:}),[min(time) max(time)],[0 0],':r')
xlabel('Time');
ylabel('Error');
title('Error Signal');