Description

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：

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：

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。

Input Format

输入文件第一行是两个整数 $n$ 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 $C_i$ 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，每行有两个整数 $i,j$ 及一个整数 $W_{ij}$ ，表示连接神经元 $i、j$ 的边权值为 $W_{ij}$ 。

Output Format

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 $0$ 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不大于 $0$ ，则输出 $NULL$ 。

Sample

network.in

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

network.out

3 1
4 1
5 1

Hint

对于$100\%$ 的数据，$1\leq n\leq 100$