% _________________________________________________________________________
% иииииииииииииииииииииииииииииииииииииииииииииииииииииииииииииииииииииииии
% PREDICTION OF ACUTE HYPOTENSIVE EPISODES USING NEURAL NETWORK MULTIMODELS
% _________________________________________________________________________
% иииииииииииииииииииииииииииииииииииииииииииииииииииииииииииииииииииииииии
%        Copyright (C) 2009 
%          : Jorge Henriques ...  <jh@dei.uc.pt>, 
%          : Teresa Rocha    ...  <teresa@sun.isec.pt>
%        This software is released under the terms of the GNU 
%        General Public License (http://www.gnu.org/copyleft/gpl.html)
% иииииииииииииииииииииииииииииииииииииииииииииииииииииииииииииииииииииииии
% mmGRNNTrain.m
%__________________________________________________________________________
% иииииииииииииииииииииииииииииииииииииииииииииииииииииииииииииииииииииииии
%  Uses  newgrnn to define and train a NN model considering
%  predefined error tolerance (TOL) over a forecast window (FORECAST)
%__________________________________________________________________________
% иииииииииииииииииииииииииииииииииииииииииииииииииииииииииииииииииииииииии



function [net,YN, tr]=mmGRNNTrain(X, Y, TOL, FORECAST)

%--------------------------------------------------------------------------
% X:        Inputs
% Y:        Targets
%...........................................................
% net:      Neural network
%-------------------------------------------------------------------------

    
%__________________________________________________________________________
tr  = realmax;
TOL0= TOL;
while tr>TOL
    net = newgrnn(X, Y, TOL0);
    YN  = sim(net,X);
    erro= Y(:,end-FORECAST+1:end)-YN(:,end-FORECAST+1:end);
    tr  = sum(sum(abs(erro))) / FORECAST;
    TOL0 = 0.9*TOL0;
end