R 产生重复尖峰的功能

我在网上问了一个类似的问题，但没有得到回应。我还是继续做了，并且构建了一个函数，但是我在复制方面遇到了问题

这是因为：

我正在寻找一个函数（或短算法，理想情况下在R中实现），该函数产生类似以下内容：

请看，我希望能够生成一个由n个项组成的向量，该向量遵循这种模式，映射到一组输入（比如，seq（1:n））。理想情况下，我可以告诉算法在每第k个时间段“尖峰”到最大高度h，并以r的速率衰减。然而，只要能够生成周期性出现的尖峰模式，我就足够高兴了

我用R写了一些代码，包括在这里，效果相当好

## Neural Networks / Deep Learning ##
# first, must install Python from:
#    https://www.anaconda.com/download/#windows
#    https://www.python.org/downloads/
if (!require(keras)) devtools::install_github("rstudio/keras") ; library(keras)
# install_tensorflow()

spikes_model <- function(maxiter, total_spikes = 10, max_height = 0.001, min_height = 0.000005, decay_rate = 1) {
  value_at_iteration <- rep(0, maxiter)
  spike_at <- maxiter / total_spikes
  current_rate <- min_height
  holder_timeval <- 0
  for(i in 1:maxiter) {
    spike_indicator <- i / spike_at
    if (is.integer(spike_indicator)) {
      current_rate <- max_height
      value_at_iteration[i] <- current_rate
      holder_timeval <- spike_indicator
    } else if (i < spike_at) {
      current_rate <- min_height
      value_at_iteration[i] <- current_rate
    } else {
      timeval <- i - (holder_timeval*spike_at)
      current_rate <- max_height*exp(-decay_rate*timeval) + min_height
      value_at_iteration[i] <- current_rate
    }
  }
  return(value_at_iteration)
}

asdf <- spikes_model(maxiter = 100)
plot(asdf, type="l")

神经网络/深度学习## #首先，必须从以下位置安装Python： # https://www.anaconda.com/download/#windows # https://www.python.org/downloads/ 如果（！require（keras））开发工具：：安装github（“rstudio/keras”）；图书馆（keras） #安装_tensorflow（）

---

spikes_model哇，我刚刚发现了自己的错误。我使用的是

is.integer（）

函数，它不能按我所希望的方式工作。我需要使用

mosaic

中的

is.whole.number（）

函数

修正了这个错误，我找到了下面的图表，它正是我想要的

---

良好的MCVE（+1），但问题与

机器学习

或

深度学习

无关-请不要垃圾邮件标记（已删除）。@desertnaut此函数用于在R中引入基于

keras

的神经网络的学习率的间歇性峰值。它绝对与机器学习有关，我想未来人们会因为这个原因使用这个问题。查找中标记为“比较固定LR和循环LR”的图像。事实上，我可能需要一个通用函数，我将在宇宙飞船上的设备下游使用该函数，这并不自动使问题与空间工程相关。。。还有更直接的方法来产生周期性LR，这是公平的。但是，这里的函数直接用于机器学习过程，并且是为机器学习过程而构建的。我觉得有必要贴标签。如果您认为合适，可以删除它们。将整个代码（或至少受影响的特定部分）包括在内，包括可能需要的导入（什么是

mosaic

？），这将很有趣。将立即添加

eps <- 1000
sch <- spikes_model(eps)
lr_schedule <- function(epoch, lr) {
  lrn <- sch[as.integer(epoch)]
  lrn <- k_cast_to_floatx(lrn)
  return(lrn)
}
## Add callback to automatically adjust learning rate downward when training reaches plateau ##
reduce_lr <- callback_learning_rate_scheduler(lr_schedule)

## Fit model using trainig data, validate with validation data ##
mod1.hst <- mod1 %>% fit(
  x=X.train, y=Y.train,
  epochs=eps, batch_size=nrow(X.train),
  validation_data = list(X.val, Y.val),
  shuffle=TRUE, callbacks = list(checkpoint, reduce_lr)
)