using System;

namespace Org.Example
{
    public class Program
    {
        // Константы: число нейронов, скорость обучения и число обучающих примеров
        const int INPUT_NEURONS = 4;    // Параметры: давление, сахар, пульс, температура
        const int HIDDEN_NEURONS = 3;
        const int OUTPUT_NEURONS = 4;   // 4 класса здоровья
        const double LEARN_RATE = 0.2;
        const int MAX_SAMPLES = 16;

        // Jagged-массивы для весов (с дополнительной строкой для смещения)
        double[][] wih; // Веса между входным и скрытым слоями (размер: INPUT_NEURONS+1 x HIDDEN_NEURONS)
        double[][] who; // Веса между скрытым и выходным слоями (размер: HIDDEN_NEURONS+1 x OUTPUT_NEURONS)

        // Массивы для хранения значений нейронов
        double[] inputs;  // Входной слой
        double[] hidden;  // Скрытый слой
        double[] target;  // Целевой вектор (one-hot кодировка)
        double[] actual;  // Фактический выход сети

        // Массивы для ошибок нейронов
        double[] erro;    // Ошибки на выходном слое
        double[] errh;    // Ошибки на скрытом слое

        // Массив с названиями классов здоровья
        string[] conditions = { "Здоров", "Предболен", "Болен", "Критическое состояние" };

        // Класс, представляющий обучающий пример
        public class Sample
        {
            public double bloodPressure; // Артериальное давление (мм рт. ст.)
            public double bloodSugar;    // Уровень сахара (мг/дл)
            public double heartRate;     // Пульс (уд/мин)
            public double temperature;   // Температура тела (°C)
            public double[] Out;         // One-hot представление класса

            public Sample(double bloodPressure, double bloodSugar, double heartRate, double temperature, double[] output)
            {
                this.bloodPressure = bloodPressure;
                this.bloodSugar = bloodSugar;
                this.heartRate = heartRate;
                this.temperature = temperature;
                this.Out = output;
            }
        }

        // Обучающий набор: 16 примеров (по 4 для каждого класса)
        Sample[] samples = new Sample[]
        {
            // "Здоров": нормальные показатели
            new Sample(120, 100, 75, 36.8, new double[] {1.0, 0.0, 0.0, 0.0}),
            new Sample(118, 98, 73, 36.7, new double[] {1.0, 0.0, 0.0, 0.0}),
            new Sample(121, 101, 76, 36.9, new double[] {1.0, 0.0, 0.0, 0.0}),
            new Sample(119, 99, 74, 36.8, new double[] {1.0, 0.0, 0.0, 0.0}),

            // "Предболен": небольшие отклонения
            new Sample(130, 110, 80, 37.2, new double[] {0.0, 1.0, 0.0, 0.0}),
            new Sample(128, 108, 79, 37.1, new double[] {0.0, 1.0, 0.0, 0.0}),
            new Sample(131, 112, 81, 37.3, new double[] {0.0, 1.0, 0.0, 0.0}),
            new Sample(129, 109, 80, 37.2, new double[] {0.0, 1.0, 0.0, 0.0}),

            // "Болен": выраженные отклонения
            new Sample(150, 140, 90, 38.0, new double[] {0.0, 0.0, 1.0, 0.0}),
            new Sample(148, 138, 89, 37.9, new double[] {0.0, 0.0, 1.0, 0.0}),
            new Sample(151, 142, 91, 38.1, new double[] {0.0, 0.0, 1.0, 0.0}),
            new Sample(149, 139, 90, 38.0, new double[] {0.0, 0.0, 1.0, 0.0}),

            // "Критическое состояние": очень сильные отклонения
            new Sample(170, 180, 120, 39.0, new double[] {0.0, 0.0, 0.0, 1.0}),
            new Sample(168, 178, 118, 38.9, new double[] {0.0, 0.0, 0.0, 1.0}),
            new Sample(171, 182, 121, 39.1, new double[] {0.0, 0.0, 0.0, 1.0}),
            new Sample(169, 179, 119, 39.0, new double[] {0.0, 0.0, 0.0, 1.0})
        };

        // Диапазоны для нормализации входных данных
        const double BP_MIN = 80;      // мм рт. ст.
        const double BP_MAX = 180;
        const double SUGAR_MIN = 70;   // мг/дл
        const double SUGAR_MAX = 200;
        const double HR_MIN = 50;      // уд/мин
        const double HR_MAX = 150;
        const double TEMP_MIN = 35;    // °C
        const double TEMP_MAX = 41;

        // Статический экземпляр Random для генерации случайных чисел
        static Random rand = new Random();

        // Конструктор: инициализация массивов
        public Program()
        {
            // Инициализация массивов для весов
            wih = new double[INPUT_NEURONS + 1][];
            for (int i = 0; i < INPUT_NEURONS + 1; i++)
            {
                wih[i] = new double[HIDDEN_NEURONS];
            }
            who = new double[HIDDEN_NEURONS + 1][];
            for (int i = 0; i < HIDDEN_NEURONS + 1; i++)
            {
                who[i] = new double[OUTPUT_NEURONS];
            }
            // Инициализация массивов для нейронов и ошибок
            inputs = new double[INPUT_NEURONS];
            hidden = new double[HIDDEN_NEURONS];
            target = new double[OUTPUT_NEURONS];
            actual = new double[OUTPUT_NEURONS];
            erro = new double[OUTPUT_NEURONS];
            errh = new double[HIDDEN_NEURONS];
        }

        // Инициализация весов случайными значениями в диапазоне [-0.5, 0.5]
        void AssignRandomWeights()
        {
            for (int inp = 0; inp < INPUT_NEURONS + 1; inp++)
            {
                for (int hid = 0; hid < HIDDEN_NEURONS; hid++)
                {
                    wih[inp][hid] = rand.NextDouble() - 0.5;
                }
            }
            for (int hid = 0; hid < HIDDEN_NEURONS + 1; hid++)
            {
                for (int out = 0; out < OUTPUT_NEURONS; out++)
                {
                    who[hid][out] = rand.NextDouble() - 0.5;
                }
            }
        }

        // Функция активации (сигмоида) и её производная
        double Sigmoid(double val)
        {
            return 1.0 / (1.0 + Math.Exp(-val));
        }

        double SigmoidDerivative(double val)
        {
            return val * (1.0 - val);
        }

        // Нормализация входных данных (без добавления шума)
        void NormalizeInputs()
        {
            // Приведение к диапазону [0, 1] по формуле: (value - min) / (max - min)
            inputs[0] = (inputs[0] - BP_MIN) / (BP_MAX - BP_MIN);
            inputs[1] = (inputs[1] - SUGAR_MIN) / (SUGAR_MAX - SUGAR_MIN);
            inputs[2] = (inputs[2] - HR_MIN) / (HR_MAX - HR_MIN);
            inputs[3] = (inputs[3] - TEMP_MIN) / (TEMP_MAX - TEMP_MIN);
        }

        // Прямое распространение сигнала по сети
        void FeedForward()
        {
            // Вычисление выхода скрытого слоя
            for (int hid = 0; hid < HIDDEN_NEURONS; hid++)
            {
                double sum = 0.0;
                for (int inp = 0; inp < INPUT_NEURONS; inp++)
                {
                    sum += inputs[inp] * wih[inp][hid];
                }
                // Смещение: последний элемент в массиве wih для данного скрытого нейрона
                sum += wih[INPUT_NEURONS][hid];
                hidden[hid] = Sigmoid(sum);
            }
            // Вычисление выхода выходного слоя
            for (int out = 0; out < OUTPUT_NEURONS; out++)
            {
                double sum = 0.0;
                for (int hid = 0; hid < HIDDEN_NEURONS; hid++)
                {
                    sum += hidden[hid] * who[hid][out];
                }
                // Смещение: последний элемент в массиве who для данного выходного нейрона
                sum += who[HIDDEN_NEURONS][out];
                actual[out] = Sigmoid(sum);
            }
        }

        // Алгоритм обратного распространения ошибки
        void BackPropagate()
        {
            // Вычисление ошибки на выходном слое
            for (int out = 0; out < OUTPUT_NEURONS; out++)
            {
                erro[out] = (target[out] - actual[out]) * SigmoidDerivative(actual[out]);
            }
            // Вычисление ошибки на скрытом слое
            for (int hid = 0; hid < HIDDEN_NEURONS; hid++)
            {
                errh[hid] = 0.0;
                for (int out = 0; out < OUTPUT_NEURONS; out++)
                {
                    errh[hid] += erro[out] * who[hid][out];
                }
                errh[hid] *= SigmoidDerivative(hidden[hid]);
            }
            // Обновление весов между скрытым и выходным слоями
            for (int out = 0; out < OUTPUT_NEURONS; out++)
            {
                for (int hid = 0; hid < HIDDEN_NEURONS; hid++)
                {
                    who[hid][out] += LEARN_RATE * erro[out] * hidden[hid];
                }
                // Обновление смещения
                who[HIDDEN_NEURONS][out] += LEARN_RATE * erro[out];
            }
            // Обновление весов между входным и скрытым слоями
            for (int hid = 0; hid < HIDDEN_NEURONS; hid++)
            {
                for (int inp = 0; inp < INPUT_NEURONS; inp++)
                {
                    wih[inp][hid] += LEARN_RATE * errh[hid] * inputs[inp];
                }
                // Обновление смещения
                wih[INPUT_NEURONS][hid] += LEARN_RATE * errh[hid];
            }
        }

        // Функция, возвращающая индекс элемента с наибольшим значением (определяет класс)
        int Action(double[] vector)
        {
            int sel = 0;
            double max = vector[0];
            for (int i = 1; i < OUTPUT_NEURONS; i++)
            {
                if (vector[i] > max)
                {
                    max = vector[i];
                    sel = i;
                }
            }
            return sel;
        }

        public static void Main(string[] args)
        {
            Program wc = new Program();
            wc.AssignRandomWeights();

            int sampleIndex = 0;
            double err;
            // Обучение сети (10000 итераций)
            for (int step = 0; step < 10000; step++)
            {
                sampleIndex = (sampleIndex + 1) % MAX_SAMPLES;
                Sample s = wc.samples[sampleIndex];
                // Заполняем входной вектор данными из обучающего примера
                // Порядок: давление, сахар, пульс, температура
                wc.inputs[0] = s.bloodPressure;
                wc.inputs[1] = s.bloodSugar;
                wc.inputs[2] = s.heartRate;
                wc.inputs[3] = s.temperature;
                // Нормализуем входные данные (без шума)
                wc.NormalizeInputs();
                // Копируем целевой вектор
                for (int i = 0; i < OUTPUT_NEURONS; i++)
                {
                    wc.target[i] = s.Out[i];
                }
                wc.FeedForward();
                err = 0.0;
                for (int i = 0; i < OUTPUT_NEURONS; i++)
                {
                    double diff = s.Out[i] - wc.actual[i];
                    err += diff * diff;
                }
                err = 0.5 * err;
                if (step % 1000 == 0)
                {
                    Console.WriteLine("step = " + step + " mse = " + err);
                }
                wc.BackPropagate();
            }

            Console.WriteLine();
            int correct = 0;
            // Проверка сети на обучающих примерах
            for (int i = 0; i < MAX_SAMPLES; i++)
            {
                Sample s = wc.samples[i];
                wc.inputs[0] = s.bloodPressure;
                wc.inputs[1] = s.bloodSugar;
                wc.inputs[2] = s.heartRate;
                wc.inputs[3] = s.temperature;
                wc.NormalizeInputs();
                for (int j = 0; j < OUTPUT_NEURONS; j++)
                {
                    wc.target[j] = s.Out[j];
                }
                wc.FeedForward();
                int predicted = wc.Action(wc.actual);
                int expected = wc.Action(wc.target);
                if (predicted != expected)
                {
                    Console.WriteLine("Input: " + s.bloodPressure + " " + s.bloodSugar + " "
                        + s.heartRate + " " + s.temperature +
                        " predicted: " + wc.conditions[predicted] +
                        " expected: " + wc.conditions[expected]);
                }
                else
                {
                    correct++;
                }
            }
            Console.WriteLine("Network is " + ((float)correct / MAX_SAMPLES * 100.0) + "% correct\n");

            // Дополнительное тестирование с новыми входными данными
            // Задаем тестовые значения, ожидаемые для каждого класса:
            double[][] testInputs = new double[][]
            {
                new double[] {120, 100, 75, 36.8},   // ожидается "Здоров"
                new double[] {130, 110, 80, 37.2},   // ожидается "Предболен"
                new double[] {150, 140, 90, 38.0},   // ожидается "Болен"
                new double[] {170, 180, 120, 39.0}   // ожидается "Критическое состояние"
            };
            foreach (double[] test in testInputs)
            {
                wc.inputs[0] = test[0];
                wc.inputs[1] = test[1];
                wc.inputs[2] = test[2];
                wc.inputs[3] = test[3];
                wc.NormalizeInputs();
                wc.FeedForward();
                int index = wc.Action(wc.actual);
                Console.WriteLine("Input: [" + test[0] + ", " + test[1] + ", " + test[2] + ", " + test[3]
                    + "] -> " + wc.conditions[index]);
            }
        }
    }
}