Добавление кнопки "домой" и гайда

HOW_IT_WORKS.md

@@ -0,0 +1,81 @@
+# Как работает приложение
+
+## Запуск
+
+```bash
+bundle install
+ruby app.rb   # веб-интерфейс на http://localhost:4567
+# или
+ruby main.rb  # только CLI: загружает паттерны, обучает, выводит инфо
+```
+
+В Docker: собирается образ, `generate_excel.rb` генерирует `patterns.xlsx` при старте, Sinatra слушает на 4567.
+
+---
+
+## Данные
+
+Паттерны хранятся в `patterns.xlsx`. Каждый лист = один символ (T, H, E, X...).  
+Ячейка `x` → `1`, остальное → `-1`. Размер: 8×8 = вектор из 64 значений.
+
+`loader.rb` читает Excel через гем `roo` и возвращает `{name => matrix_8x8}`.  
+В вычислениях матрицы разворачиваются в векторы через `flatten`.
+
+Если хочешь добавить/изменить паттерны — правь `generate_excel.rb` и перезапусти.
+
+---
+
+## Веб-интерфейс
+
+Одна страница (`views/index.erb`), тёмная тема, 8×8 кликабельная сетка ввода.
+
+**Что можно сделать:**
+- Нарисовать паттерн кликами (или добавить шум кнопкой)
+- Нажать «Распознать» — сервер прогоняет через обе сети
+- Включить «Пошаговый режим» — видно, как Хопфилд сходится шаг за шагом
+- Включить «Показывать формулы» — рядом с анимацией появляются LaTeX-формулы вычислений
+
+---
+
+## Маршруты (`app.rb`)
+
+| Маршрут | Что делает |
+|---|---|
+| `GET /` | Загружает паттерны, отдаёт HTML |
+| `POST /recall` | Быстро: вектор → итоговый результат обеих сетей |
+| `POST /recall_steps` | То же + все промежуточные состояния для анимации |
+| `POST /recall_trace` | То же + net-значения, сколько нейронов изменилось на каждом шаге, трассировка MAXNET |
+
+Все POST принимают JSON `{vector: [...64 числа...]}`, возвращают JSON.
+
+---
+
+## Алгоритмы
+
+### Хопфилд (`hopfield.rb`)
+
+**Обучение** — один раз при запуске:
+```
+W[i][j] += v[i] * v[j]  для каждого паттерна v, i ≠ j
+```
+Матрица весов 64×64, кэшируется в `weights.cache`.
+
+**Recall** — итерации до сходимости:
+```
+new[i] = sign( Σ_j W[i][j] * x[j] )   # sign: ≥0 → 1, <0 → -1
+```
+Все нейроны обновляются синхронно. Стоп: состояние не изменилось (EPS=0.01) или 200 итераций.
+
+### Хэмминг (`hamming.rb`)
+
+**Шаг 1 — слой Хэмминга** (один раз):
+```
+output[k] = (dot(pattern_k, input) + 64) / 2
+```
+Результат: число от 0 до 64 — сколько бит совпало с k-м эталоном.
+
+**Шаг 2 — MAXNET** (итерации до одного победителя):
+```
+new[i] = max(output[i] - eps * Σ_{j≠i} output[j], 0)   # eps = 0.9 / кол-во паттернов
+```
+Нейроны конкурируют: слабые гаснут, остаётся один. Его индекс = ближайший паттерн.