我正在尝试构建一个可以识别信号峰值的程序。

这是我第一次尝试机器学习，所以我从一个玩具问题开始，我正在生成一条随机宽度和位置的高斯曲线，并添加少量噪声，并尝试识别信号的哪一部分看起来像一个峰值但是我面临一些问题。我正在使用 Theano+Lasagne 并从 MNIST.py 示例中改编了我的代码。这是我提供给代码的内容以及结果的示例：

我的想法是将信号（512 个值的一维向量）馈送到一个简单的神经网络，该网络由 5 个密集层（3 个线性层，后跟 2 个 sigmoid）组成，每个层有 128 个神经元。并在数以万计的生成示例上对其进行训练。

但是我面临的问题是，无论我在权重初始化或学习参数方面进行什么尝试，我总是会收敛到相同的结果：一个似乎只吐出所有示例的“目标输出”平均值的网络受过训练。

我会假设考虑到我的神经网络的结构以及我提供给它的数据，它很容易收敛到一些进行平均和阈值处理的东西，从而给我一些相当接近预期输出的东西。

这是愚蠢的假设吗？还是我错过了一些重要的东西？