Up to date technological implementations of deep convolutional neural networks are at the forefront of many issues, such as autonomous device control, effective image and pattern recognition solutions. Deep neural networks generally utilize a hybrid topology of a feature extractor containing convolutional layers followed by a fully connected classifier network. The characteristic and quality of the produced features differ according to the deep learning structure. In order to get high performance, it is necessary to choose an effective topology. In this study, a novel topology based hybrid structure named as Deep Convolutional Generalized Classifier Neural Network and its learning algoritm are introduced. This novel structure allows the deep learning network to extract features with the desired characteristics. This ensures high performance classification, even for relatively small deep learning networks. This has led to many novelties such as principal feature analysis, better learning ability, one-pass learning for classifier part, new error computation and backpropagation approach for filter weights. Two experiment sets were performed to measure the performance of DC-GCNN. In the first experiment set, DC-GCNN was compared with clasical approach on 10 different datasets. DC-GCNN performed better up to 44.45% for precision, 39.69% for recall and 42.57% for F1-score. In the second experiment set, DC-GCNN’s performance was compared with alternative methods on larger datasets. Proposed structure performed better than alternative deep learning based classifier structures on CIFAR-10 and MNIST datasets with 89.12% and 99.28% accuracy values.

中文翻译：

---

深度卷积广义分类器神经网络

深度卷积神经网络的最新技术实现处于许多问题的最前沿，例如自主设备控制，有效的图像和模式识别解决方案。深度神经网络通常利用特征提取器的混合拓扑，其中包含卷积层，然后是完全连接的分类器网络。所生成特征的特征和质量根据深度学习结构而有所不同。为了获得高性能，必须选择有效的拓扑。在这项研究中，介绍了一种新颖的基于拓扑的混合结构，称为深度卷积广义分类器神经网络及其学习算法。这种新颖的结构允许深度学习网络提取具有所需特征的特征。即使对于相对较小的深度学习网络，这也可以确保高性能分类。这带来了许多新颖性，例如主特征分析，更好的学习能力，分类器部分的一次通过学习，新的误差计算和滤波器权重的反向传播方法。进行了两个实验组以测量DC-GCNN的性能。在第一个实验集中，DC-GCNN与经典方法在10个不同的数据集上进行了比较。DC-GCNN的精确度高达44.45％，召回率高达39.69％，F1得分高达42.57％。在第二个实验集中，将DC-GCNN的性能与较大数据集上的替代方法进行了比较。在CIFAR-10和MNIST数据集上，拟议结构的性能优于基于深度学习的替代分类器结构，其准确度值为89.12％和99.28％。即使是相对较小的深度学习网络。这带来了许多新颖性，例如主要特征分析，更好的学习能力，分类器部分的一次通过学习，新的误差计算和滤波器权重的反向传播方法。进行了两个实验组以测量DC-GCNN的性能。在第一个实验集中，DC-GCNN与经典方法在10个不同的数据集上进行了比较。DC-GCNN的精确度高达44.45％，召回率高达39.69％，F1得分高达42.57％。在第二个实验集中，将DC-GCNN的性能与较大数据集上的替代方法进行了比较。在CIFAR-10和MNIST数据集上，拟议结构的性能优于基于深度学习的替代分类器结构，其准确度值为89.12％和99.28％。即使是相对较小的深度学习网络。这带来了许多新颖性，例如主特征分析，更好的学习能力，分类器部分的一次通过学习，新的误差计算和滤波器权重的反向传播方法。进行了两个实验组以测量DC-GCNN的性能。在第一个实验集中，DC-GCNN与经典方法在10个不同的数据集上进行了比较。DC-GCNN的精确度高达44.45％，召回率高达39.69％，F1得分高达42.57％。在第二个实验集中，将DC-GCNN的性能与较大数据集上的替代方法进行了比较。在CIFAR-10和MNIST数据集上，拟议结构的性能优于基于深度学习的替代分类器结构，其准确度值为89.12％和99.28％。这带来了许多新颖性，例如主要特征分析，更好的学习能力，分类器部分的一次通过学习，新的误差计算和滤波器权重的反向传播方法。进行了两个实验组以测量DC-GCNN的性能。在第一个实验集中，DC-GCNN与经典方法在10个不同的数据集上进行了比较。DC-GCNN的精确度高达44.45％，召回率高达39.69％，F1得分高达42.57％。在第二个实验集中，将DC-GCNN的性能与较大数据集上的替代方法进行了比较。在CIFAR-10和MNIST数据集上，拟议结构的性能优于基于深度学习的替代分类器结构，其准确度值为89.12％和99.28％。这带来了许多新颖性，例如主要特征分析，更好的学习能力，针对分类器部分的一遍学习，新的误差计算和滤波器权重的反向传播方法。进行了两个实验组以测量DC-GCNN的性能。在第一个实验集中，DC-GCNN与经典方法在10个不同的数据集上进行了比较。DC-GCNN的精确度高达44.45％，召回率高达39.69％，F1得分高达42.57％。在第二个实验集中，将DC-GCNN的性能与较大数据集上的替代方法进行了比较。在CIFAR-10和MNIST数据集上，拟议结构的性能优于基于深度学习的替代分类器结构，其准确度值为89.12％和99.28％。滤波器权重的新误差计算和反向传播方法。进行了两个实验组以测量DC-GCNN的性能。在第一个实验集中，DC-GCNN与经典方法在10个不同的数据集上进行了比较。DC-GCNN的精确度高达44.45％，召回率高达39.69％，F1得分高达42.57％。在第二个实验集中，将DC-GCNN的性能与较大数据集上的替代方法进行了比较。在CIFAR-10和MNIST数据集上，拟议结构的性能优于基于深度学习的替代分类器结构，其准确度值为89.12％和99.28％。滤波器权重的新误差计算和反向传播方法。进行了两个实验组以测量DC-GCNN的性能。在第一个实验集中，DC-GCNN与经典方法在10个不同的数据集上进行了比较。DC-GCNN的精确度高达44.45％，召回率高达39.69％，F1得分高达42.57％。在第二个实验集中，将DC-GCNN的性能与较大数据集上的替代方法进行了比较。在CIFAR-10和MNIST数据集上，拟议结构的性能优于基于深度学习的替代分类器结构，其准确度值为89.12％和99.28％。DC-GCNN的精确度高达44.45％，召回率高达39.69％，F1得分高达42.57％。在第二个实验集中，将DC-GCNN的性能与较大数据集上的替代方法进行了比较。在CIFAR-10和MNIST数据集上，拟议结构的性能优于基于深度学习的替代分类器结构，其准确度值为89.12％和99.28％。DC-GCNN的精确度高达44.45％，召回率高达39.69％，F1得分高达42.57％。在第二个实验集中，将DC-GCNN的性能与较大数据集上的替代方法进行了比较。在CIFAR-10和MNIST数据集上，拟议结构的性能优于基于深度学习的替代分类器结构，其准确度值为89.12％和99.28％。