神经网络

【问题背景】

人工神经网络（ Artificial Neural Network ）是一种新兴的具有自我学习能力的计算系统，在模式识别、函数逼近及贷款风险评估等诸多领域有广泛的应用。对神经网络的研究一直是当今的热门方向，兰兰同 学在自学了一本神经网络的入门书籍后，提出了一个简化模型，他希望你能帮助他用程序检验这个神经网络模型的实用性。

【问题描述】

在兰兰的模型中，神经网络就是一张有向图，图中的节点称为神经元，而且两个神经

元之间至多有一条边相连，下图是一个神经元的例子：

神经元〔编号为 1 ）

图 中， X1—X3 是信息输入渠道， Y1 － Y2 是信息输出渠道， C i 表示神经元目前的状态， U i 是阈值，可视为神经元的一个内在参数。神经元按一定的顺序排列，构成整个神经网络。在兰兰的模型之中，神经网络中的神经元分为几层；称为输入层、输出层， 和若干个中间层。每层神经元只向下一层的神经元输出信息，只从上一层神经元接受信息。下图是一个简单的三层神经网络的例子。

兰兰规定， C i 服从公式：（其中 n 是网络中所有神经元的数目）

\[ C_i = \sum_{(j,i)\in E} W_{j,i}C_j - U_i \]

公 式中的 W ji （可能为负值）表示连接 j 号神经元和 i 号神经元的边的权值。当 C i 大于 0 时，该神经元处于兴奋状态，否则就处于平静状态。当神经元处于兴奋状态时，下一秒它会向其他神经元传送信号，信号的强度为 C i 。如此．在输入层神经元被激发之后，整个网络系统就在信息传输的推动下进行运作。现在，给定一个神经网络，及当前输入层神经元的状态（ C i ），要求你的程序运算出最后网络输出层的状态。

【输入格式】

输入文件第一行是两个整 数 n （ 1≤n≤200 ）和 p 。

接下来 n 行，每行两个整数，第 i ＋ 1 行是神经元 i 最初状态和其阈值（ U i ），非输入层的神经元开始时状态必然为 0 。

再下面 P 行，每行由两个整数 i ， j 及一个整数 W ij ，表示连接神经元 i 、 j 的边权值为 W ij 。

【输出格式】

输出文件包含若干行，每行有两个整数，分别对应一个神经元的编号，及其最后的状态，两个整数间以空格分隔。 

仅输出最后状态大于零的输出层神经元状态，并且按照编号由小到大顺序输出！

若输出层的神经元最后状态均为 0 ，则输出 NULL 。

【输入样例】

5 6
1 0
1 0
0 1
0 1
0 1
1 3 1
1 4 1
1 5 1
2 3 1
2 4 1
2 5 1

【输出样例】

3 1
4 1
5 1