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。

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 i）

图中，X_1 \sim X_3 是信息输入渠道，Y_1 \sim Y_2 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=\left(\sum\limits_{(j,i) \in E} W_{ji}C_{j}\right)-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。

输入文件第一行是两个整数 n（1 \le n \le 100）和 p。接下来 n 行，每行 2 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 2 个整数 i,j 及 1 个整数 W_{ij}，表示连接神经元 i,j 的边权值为 W_{ij}。

输出文件包含若干行，每行有 2 个整数，分别对应一个神经元的编号，及其最后的状态，2 个整数间以空格分隔。仅输出最后状态大于 0 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。

NOIP 2003 提高组第一题