Sınıflandırıcı birleştirmedeki amaç örüntü tanımada en iyi sınıflandırma
başarımını elde etmektir. Sınıflandırıcıların üstün özelliklerini birleştirerek daha iyi
sınıflandırma yapılabilir. Sınıflandırıcı topluluğunun başarımı, sınıflandırıcıların tek
başlarına kullanılmasıyla elde edilen başarımdan daha iyi olacaktır. Örüntü sınıflamada
sınıf içi ve sınıflar arası dağılımları kullanan ölçüt sınıflandırma başarımını arttıracaktır.
Bu çalışmada, sırasıyla sınıf içi ve sınıflar arası dağılımlardan ortak vektör
yaklaşımı(OVY) ve ana bileşen analizi(PCA) kulanarak elde edilen sınıflandırıcılar
yapay sinirağı ile birleştirilmiştir. İki-sınıf problemi için hedeflenen sınıflandırıcının
başarımı, iki boyutlu yapay veriler ve TIMIT veri tabanındaki seslilerin
sınıflandırılmasından elde edilmiştir. Sınıflandırıcının başarımı ayrıca sınıf içi ve sınıflar
arası dağılımları kullanan doğrusal ayırtaç analizi(LDA)’nin başarımları ile
karşılaştırılmıştır.
The aim of classifier combination is to achieve the best classification
performance in pattern recognition. Better classification can be achived by combining the
superior charecteristics of the classifiers. The performance of ensemble classifier will be
better than the performace of each individual classifiers. In pattern classification, the
metric that considers within-class and between-class scatters will improve the
classification performance. In this study, the classifiers that are derived from within-class
and between-class scatters using the common vector approach(CVA) and the principal
component analysis(PCA) respectively are combined in a neural network architecture.
The performance of purposed classifier for two-class problem is obtained from the
classification of two dimensional artificial data and the vowels in TIMIT database. The
performance of the classifier is also compared with the performance of linear
discriminant analysis(LDA) that uses within-class and between-class scatters.
