# 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.