/**
The matrices for each combination could be explicitly expanded
instead of using matrix multiplication.
*/
void Matrix4x4::FromEuler(float x, float y, float z, order_t order)
{
float xrad = x / 180.0f * 3.1415927f;
float sx = sinf(xrad);
float cx = cosf(xrad);
Matrix4x4 xMat(1.0, 0.0, 0.0, 0.0,
0.0, cx, -sx, 0.0,
0.0, sx, cx, 0.0,
0.0, 0.0, 0.0, 1.0);
float yrad = y / 180.0f * 3.1415927f;
float sy = sinf(yrad);
float cy = cosf(yrad);
Matrix4x4 yMat( cy, 0.0, sy, 0.0,
0.0, 1.0, 0.0, 0.0,
-sy, 0.0, cy, 0.0,
0.0, 0.0, 0.0, 1.0);
float zrad = z / 180.0f * 3.1415927f;
float sz = sinf(zrad);
float cz = cosf(zrad);
Matrix4x4 zMat( cz, -sz, 0.0, 0.0,
sz, cz, 0.0, 0.0,
0.0, 0.0, 1.0, 0.0,
0.0, 0.0, 0.0, 1.0);
switch(order)
{
case kXYZ:
*this = zMat * (yMat * xMat);
break;
case kYXZ:
*this = zMat * (xMat * yMat);
break;
case kYZX:
*this = xMat * (zMat * yMat);
break;
case kXZY:
*this = yMat * (zMat * xMat);
break;
case kZYX:
*this = xMat * (yMat * zMat);
break;
case kZXY:
*this = yMat * (xMat * zMat);
break;
default:
*this = xMat * (yMat * zMat);
break;
}
}
void perceptron::trainRegression(double a, double *x, double *y, int k, int max) {
// Prepare y matrix
Eigen::MatrixXd yMat(k, 1);
for(int i = 0; i < k; i++)
yMat(i, 0) = y[i];
// Prepare x matrix (unfold the provided array)
Eigen::MatrixXd xMat(k, n + 1);
for(int i = 0; i < k; i++) {
xMat(i, 0) = 1.0;
for(int j = 0; j < n; j++) {
xMat(i, j + 1) = x[n * i + j];
}
}
Eigen::MatrixXd xMatT = xMat.transpose();
Eigen::MatrixXd wMat = ((xMatT * xMat).inverse() * xMatT) * yMat; // W = ((Xt * X)^-1 * Xt) * Y
// Map back to w
Eigen::Map<Eigen::MatrixXd>(w, n + 1, 1) = wMat;
}
