clear all 
close all 
clc 

I= [-1,-1,-1,-1,-1,-1;
    -1,-1,+1,+1,+1,-1;
    -1,-1,-1,+1,-1,-1;
    -1,-1,-1,+1,-1,-1;
    -1,-1,-1,+1,-1,-1;
    -1,-1,-1,+1,-1,-1;
    -1,-1,+1,+1,+1,-1;
    -1,-1,-1,-1,-1,-1]

figure(1)
hintonw(I)

J= [-1,-1,-1,-1,-1,-1;
    -1,+1,+1,+1,+1,-1;
    -1,-1,-1,-1,+1,-1;
    -1,-1,-1,-1,+1,-1;
    -1,-1,-1,-1,+1,-1;
    -1,+1,-1,-1,+1,-1;
    -1,-1,+1,+1,-1,-1;
    -1,-1,-1,-1,-1,-1]

figure(2)
hintonw(J)

K= [-1,-1,-1,-1,-1,-1;
    -1,+1,-1,-1,+1,-1;
    -1,+1,-1,+1,-1,-1;
    -1,+1,+1,-1,-1,-1;
    -1,+1,+1,-1,-1,-1;
    -1,+1,-1,+1,-1,-1;
    -1,+1,-1,-1,+1,-1;
    -1,-1,-1,-1,-1,-1]

figure(3)
hintonw(K)

L= [-1,-1,-1,-1,-1,-1;
    -1,+1,-1,-1,-1,-1;
    -1,+1,-1,-1,-1,-1;
    -1,+1,-1,-1,-1,-1;
    -1,+1,-1,-1,-1,-1;
    -1,+1,-1,-1,-1,-1;
    -1,+1,+1,+1,+1,-1;
    -1,-1,-1,-1,-1,-1]

figure(4)
hintonw(L)

L1 = reshape (I,48,1)
L2 = reshape (J,48,1)
L3 = reshape (K,48,1)
L4 = reshape (L,48,1)

P = [L1,L2,L3,L4]

whos
disp(P)
T=eye(4)

net=newp(P,T,'hardlim','learnp')

net.trainParam.epochs = 50;
net=train(net,P,T)

disp('Rozmiar macieżrzy wag: ')
disp(net.IW)
disp('Zawarosc macierzy wag')
disp(net.IW{1})
disp('Rozmiar wektora wsp. progowych')
disp(net.b)
disp('Zawartosc wektowa wsp. progowych')
disp(net.b{1})

y=sim(net,P)

figure(5)
for i=1:4
    subplot(1,2,1)
    hintonw(reshape(P(:,i),8,6))
    subplot(1,2,2)
    hintonw(Y(:,i))
    pause()
end