machine-learning - 如何使用DBN来重建具有衰落模式的稀疏矩阵图像

我有一个数据集，其中包含尺寸为30 x 15像素的图像。在此数据集中，存在从左到右沿y方向变化的轨迹。跟踪通常从（20，0）开始。每个下一个像素在右侧一个，在其上方，下方或相同高度是伪随机的。例如，以下数组包含向右前进的合理点[（19，1），（20，1），（21，1）]。

我现在想训练一个深度信任网络，该网络由2条受限Bolzman机器层（1200和2400过滤器）组成。测试数据集由相似（但不相同）的迹线组成，但迹线仅是长度的一半。

然后，我尝试利用DBN的生成特性来预测剩余像素。

我首先使用一个可以预测类似MNIST图像的网络作为健全性检查和起点。这很好。请参见下图。图像：重新生成类似MNIST的图像。左：全迹；中：一半的痕迹；右：从网络生成的图像

然后，我修改了网络，生成了先前描述的输入数据并训练了网络。当删除数据的左侧部分时，网络能够重新生成数据（尽管并非完全正确，但它会生成像素）。请参见下图。

图像：重新生成左侧的迹线。左：全迹；中：一半的痕迹；右：从网络生成的图像

现在，我正在尝试重新生成右侧的内容。有时会生成单个像素，大多数情况下不会生成任何像素。请参见下图。图片：重新生成右侧的跟踪。左：全迹；中：一半的痕迹；右：从网络生成的图像

为了确保网络能够真正学到一些东西，我对前20个过滤器进行了可视化处理。他们显示（20,0）的扇出。这是我所期望的一种模式，并向我表明该网络确实学到了一些东西。请参见下图。图片：各种权重的可视化

为了确保我的网络可以实际生成类似的数据，我创建了带有水平条的数据集。我将条形切成两半，然后让网络生成剩余的像素。它可以做到这一点而没有任何问题。请参见下图。左：全迹；中：一半的痕迹；右：从网络生成的图像

我的原始数据集只包含0或1作为浮点变量中的值。我的一种预感是它不能通过特定的阈值从0跳到1。我还尝试在0和1之间分配统一的随机值。结果是它实际上删除了像素。（见下图）左：全迹；中：一半的痕迹；右：从网络生成的图像

权重也显得不太强烈：

问题：为了使图像重新生成右侧丢失的像素，我应该更改什么？

注意：鉴于过滤器显示了我期望的模式，我认为培训时间更长/培训更多数据/使网络更深入/改变学习率并不一定是答案，但我不能排除它

可能的想法：

P.S。可以使用替代网络的技巧，但我确实正在寻找使用DBN / RBM的解决方案