Bu tez çalışmasında, örüntü tanımanın üç temel öğesi olan öznitelik çıkarımı,
öznitelik seçimi ve sınıflandırma konuları üzerinde durulmuştur.
Öznitelik çıkarımı konusunda, ses ve konuşma sinyalleri için Fourier
dönüşümüne alternatif olabilecek dalgacık dönüşümü temelli bir öznitelik çıkarım
yöntemi önerilmektedir. Farklı karakteristikteki ses sinyallerini içeren veritabanları
üzerinde yapılan deneylerde, dalgacık özniteliklerinin Fourier özniteliklerine göre,
özellikle durağan olmayan ve ani frekans değişimleri içeren sinyalleri daha iyi temsil
ettiği gözlenmiştir.
Öznitelik seçimi konusunda, özniteliklerin bireysel ayırdedicilik derecelerini
belirleyen altuzay temelli iki yeni ayrılabilirlik ölçüsü geliştirilmiştir. Bu ölçüler daha
sonra çok sınıflı örüntü tanıma problemlerinde öznitelik seçimi amacıyla kullanılmıştır.
Farklı sayı ve yapıda özniteliği barındıran veritabanları üzerinde yapılan deneyler,
altuzay temelli ölçülerle yapılan öznitelik seçiminin, uzaksaklık ve Bhattacharyya gibi
klasik ayrılabilirlik ölçüleriyle yapılan seçime göre gerek sınıflandırma hassasiyeti
gerekse boyut indirgeme açısından daha başarılı olduğunu ortaya koymuştur.
Sınıflandırma konusunda genetik algoritma temelli yeni bir altuzay sınıflandırıcı
geliştirilmiştir. Yeni sınıflandırıcı hem sınıf-içi hem de sınıflar-arası ilişkileri
değerlendirmekte; ayrıca, klasik altuzay sınıflandırıcıların aksine altuzay izdüşümü için
gerek büyük gerekse küçük özdeğerlere karşılık gelen özyönleri birlikte
kullanabilmektedir. Çeşitli veritabanları üzerinde yapılan deneylerde, genetik altuzay
sınıflandırıcı klasik altuzay yöntemlerine göre bu özelliği ile öne çıkarak
karşılaştırılabilir ya da daha yüksek bir sınıflandırma başarımı sağlamıştır.
In this thesis study, feature extraction, feature selection and classification subjects,
which are the three fundamental topics of pattern recognition, are studied.
In feature extraction, a wavelet transform based feature extraction method for
sound and speech signals is proposed as alternative to classic Fourier transform.
Experiments on several datasets containing signals with different characteristics indicate
that the wavelet features represent signals better than the Fourier features in case of
non-stationary structure and instantaneous frequency changes.
In feature selection, two novel separability measures, which detect the individual
discriminatory powers of the features, are developed. These measures are then
employed for feature selection in multi-class pattern recognition problems. Experiments
on several datasets with different characteristics and different number of features reveal
that the subspace based feature selection is better than classic separability measures
such as Divergence and Bhattacharyya in terms of both classification accuracy and
dimension reduction.
In classification, a genetic algorithm based subspace classifier is developed. New
classifier evaluates both within-class and between-class relationships; moreover, it is
capable of using the eigendirections corresponding to both large and small eigenvalues
together for subspace projection unlike the classic subspace classifiers. Due to these
properties, the genetic subspace classifier provides comparable or even better
classification performance with respect to the classic subspace methods in the
experiments that are carried out for different datasets.