#include <stdio.h>
#include <math.h>       // tanh関数を使うために必要
#include "params.h"     // Pythonで生成したヘッダファイルを読み込み

// グローバル変数: リザバーの状態ベクトル (初期値は全部0)
float reservoir_state[N_NEURONS] = {0};

// --- 関数定義: リザバーの状態を更新する ---
// Pythonでの x = tanh(W_in*u + W_res*x) をC言語で実装
void update_reservoir(float input_val) {
    float next_state[N_NEURONS]; // 次の状態を一時保存するバッファ

    for (int i = 0; i < N_NEURONS; i++) {
        float activation = 0.0f;

        // 1. 入力の寄与 (W_in * u)
        activation += W_in[i] * input_val;

        // 2. リザバー内部の反響 (W_res * x_prev)
        // W_res は1次元配列としてフラット化されているので、インデックス計算が必要です
        for (int j = 0; j < N_NEURONS; j++) {
            // 行列の (i, j) 要素へのアクセス: i * 列数 + j
            activation += W_res[i * N_NEURONS + j] * reservoir_state[j];
        }

        // 3. 非線形変換 (tanh)
        // マイコンによっては tanhf (float版) の方が高速です
        next_state[i] = tanhf(activation);
    }

    // 計算が終わったら、グローバル変数を更新
    for (int i = 0; i < N_NEURONS; i++) {
        reservoir_state[i] = next_state[i];
    }
}

// --- 関数定義: 推論を実行する ---
float inference(float input_val) {
    // Step 1: リザバーの状態を更新 (ここは全ニューロン計算)
    update_reservoir(input_val);

    // Step 2: 出力計算 (★ここがスパース化で高速化された部分！)
    // 全50個ではなく、有効な5個(N_ACTIVE_WEIGHTS)だけ計算します
    float output = 0.0f;
    
    for (int i = 0; i < N_ACTIVE_WEIGHTS; i++) {
        int idx = W_out_idx[i];       // 何番目のニューロンか
        float w = W_out_val[i];       // 重みはいくらか
        
        // y = Σ w_i * x_i
        output += w * reservoir_state[idx];
    }
    
    return output;
}

// --- メイン関数: 動作テスト ---
int main() {
    printf("=== Reservoir Computing on C (Embedded Demo) ===\n");
    printf("Total Neurons: %d\n", N_NEURONS);
    printf("Active Weights: %d (Sparse Ratio: %.1f%%)\n", 
           N_ACTIVE_WEIGHTS, (float)N_ACTIVE_WEIGHTS / N_NEURONS * 100.0);
    printf("------------------------------------------------\n");

    // テスト: 適当な入力値を入れて動かしてみる
    // (実際はここにセンサの値が入ります)
    float test_input = 0.5f;

    for (int t = 0; t < 10; t++) {
        // 推論実行
        float result = inference(test_input);
        
        printf("Step %d | Input: %.4f -> Output: %.6f\n", t, test_input, result);
        
        // 次のステップのために、出力を入力に戻してみる（閉ループテスト）
        // ※Mackey-Glassのような時系列予測では、予測値を次の入力に使うことがあります
        test_input = result;
    }

    return 0;
}