摘要—本文提出了一种像支持向量机(SVM)或多层感知器（MLP）一样的基础机器学习算法。DD的主要理论是：如果输出的逻辑表达式包含相应类关于输入之间的逻辑关系（与、或、非），则该算法可以在学习后识别该类。实验和结果：（1）作为首个白盒机器学习算法的DD，对黑箱系统展示出了出色的系统识别性能。（2）对于回归问题，通过九个实际应用证明相对于模仿神经元细胞体（Cell body Net）的MLP架构，DD具有更好的泛化能力。（3）对于分类问题，通过MINIST和FASHION-MINIST数据集验证了在更大的训练损失下DD的测试样本分类精度高于Cell Body Net。模块的数量可以有效地调整DD的逻辑表达能力，从而避免过度拟合，易于获得具有出色泛化能力的模型。（4）在MATLAB和PyTorch（Python）中进行的重复实验表明，在epoch和正向传播上，DD都比Cell body Net快。我们强调DD的白盒属性、基于可控制的精度提供的更好的泛化能力、更低的计算复杂度。 DD不仅可以用于一般工程领域，DD作为深度学习的模块具有巨大的发展潜力。代码开源：https://github.com/liugang1234567/Gang-neuron.

原文

大纲