thm

thm

class Network
  
  attr_accessor :columns, :neurons_in_column,:connectedPerm,:desiredLocalActivity
  def initialize
    @minOverlap = 5
    @neurons_in_column = 5
    @connectedPerm = 0.5                #пороговое значение – минимальное значение перманентности при котором синапс считается «действующим» («подключенным»)
    @columns = Array.new(10){Column.new}
    @desiredLocalActivity = 3          #Параметр контролирующий число колонок победителей после шага подавления. 

  end
  
  class Neuron
    attr_accessor :synapse
    def initialize
      @synapse = Synapse.new
    end
  end
  
  class Synapse
    attr_accessor :input_source, :permanence
    def initialize
      @input_source = -1                 #индекс элемента входа, с которым связан синапс
      @permanence = rand
    end
  end
  
  class Column
    attr_accessor :overlap,:neurons, :boost
    def initialize
      @neurons = Array.new(1){Neuron.new}
      @overlap = 0
      @boost = 1
    end
    
    def connectedSynapses
      res = []
      @neurons.each do |n|
        if n.synapse.permanence>= 0.5#connectedPerm 
          res.push(n.synapse)
        end
      end
      res
    end
    
    def disconnectedSynapses
      res = []
      @neurons.each do |n|
        if n.synapse.permanence< connectedPerm
          res.push(n.synapse)
        end
      end
      res
    end
    
  end
  
  #Присоединяем синапсы к входным данным (Раз и навсегда)
  def connectNetworkToInputs(size)
    for i in 0 .. size -1 do
      @columns.sample.neurons.sample.synapse.input_source = i
    end
  end
  
  #Имплементация пространственного группировщика
  def spaceGrouper(input)
    #1.Overlap
    def overlap(input)
      @columns.each do |c|
        c.overlap = 0
        c.connectedSynapses.each do |s|
          c.overlap = c.overlap + input[s.input_source]
        end
        if c.overlap < 1  then c.overlap =0 #5 = minOverlap
        else
          c.overlap= c.overlap*c.boost
        end
      end
    end
    
    #2.Ингибирование (подавление)
    def ingibit
      activeColumns = []
      @columns.each do |c|
        minLocalActivity = kthScore(neighbors(c), @desiredLocalActivity)
        if c.overlap>0 and c.overlap>= minLocalActivity
          activeColumns.push(c)
        end
      end
      activeColumns
    end
    
    #Для заданного списка колонок возвращает их k-ое максимальное значение их перекрытий со входом. 
    def kthScore(colls,desiredLocalActivity)
      if colls.length> desiredLocalActivity
        colls.sort_by{|p| p.overlap}[desiredLocalActivity].overlap
      else
        colls.last.overlap
      end
    end
    
    #Список колонок находящихся в радиусе подавления inhibitionRadius колонки c. 
    def neighbors(c)
      @columns.slice(@columns.index(c)-10,@columns.index(c)+10)
    end
    
    #Фаза 3: Обучение
    def learn(activeColumns)
      activeColumns.each do |c|
        c.connectedSynapses.each do |s|
          s.permanence+= 0.1#permanenceInc
          s.permanence = [1, s.permanence].min
        end
        
        c.connectedSynapses.each do |s|
          s.permanence -= 0.1#permanenceDec
          s.permanence =  [0, s.permanence].max
        end
        #Здесь возможно будет заимплементено ускорение
      end
    end
    
    overlap(input)
    learn(ingibit)
    
  end
end


#Testing
data = [1,0,1,0,1,0]
data2 = [0,1,0,1,0,1]
data3 = [1,1,0,1,0,1]
n = Network.new
n.connectNetworkToInputs(data.length)

n.spaceGrouper(data)
n.spaceGrouper(data2)
n.spaceGrouper(data)
n.spaceGrouper(data2)

n.spaceGrouper(data)

n.ingibit.map { |p| puts p.neurons[0].synapse.input_source }

p "////"
n.spaceGrouper(data2)

n.ingibit.map { |p| puts p.neurons[0].synapse.input_source }

p "////"

n.spaceGrouper(data3)

n.ingibit.map { |p| puts p.neurons[0].synapse.input_source }