Combining multible classifiers for pen-based handwritten digit recognition
Kalem tabanlı elle yazılmış rakam tanıma için sınıflandırıcıların birleştirilmesi
- Tez No: 50484
- Danışmanlar: Y.DOÇ.DR. ETHEM ALPAYDIN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: El yazısı tanıma, Vektörler, Yapay sinir ağları, Handwriting recognition, Vectors, Artificial neural networks
- Yıl: 1996
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Belirtilmemiş.
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
ÖZET Gelişmiş insan/makine arabirimleri ile ilgili potansiyelinden dolayı, elyazısı tanıma çok büyük bilimsel ilgi çekmiştir. İstatistiksel ve yapay sinir ağı temelli yaklaşımlara dayalı olan birçok teknik inceledikten sonra, elle yazılmış rakamları tanıyan bir sistem tasarladık ve gerçekleştirdik. Tanıma amaçlı olarak 44 kişiden bir rakam veritabanı topladık. Önişleme sonrasında iki gösterim kullanıyoruz. Dinamik gösterimde örnekleme noktaları sabit uzunlukta bir öznitelik vektörüne dönüştürülüyor. Bu noktalar kalem yolu üzerinde birbirlerinden eşit uzaklıktadır. Statik gösterimde ise dinamik bilgi bir görüntüye çevriliyor. Daha sonra çok bilinen istatistiksel sınıflandıran a metodu en yakın &-komşu (Aı-NN), yapay sinir ağı temelli çok katmanlı perseptron (MLPJ_ye özbağlı ağlarının bu gösterimler üzerindeki başarısını deniyoruz. Dinamik ve statik gösterimleri öğrenen sınıflandırıcılar farklı örnekler üzerinde başarısız oluyor, ilk olarak hem dinamik hem de statik öznitelik vektörlerini birbirine ekleyerek yeni bir öznitelik vektörü elde ediyoruz. Daha yüksek başarım elde ede bilmek için sınıflandırıcıları oylama, uzmanların karışımı, yığınlaştırılmış genelleştirme ve ardışık sınıflandırıcılar ile birleştiriyoruz. Sımflandırıcı seçme kriteri sınıflandırıcının birbirine benzerliğine bağlı. Birleştirme için dinamik verileri öğrenmiş bir MLP ve statik verileri öğrenmiş bir MLP seçiyoruz. Tüm metodlar için sonuçları sunuyoruz ve aralarında genelleştirme doğruluğu, bellek ihtiyacı ve öğrenme zamanına göre karşılaştırmalar yapıyoruz. Sonuç olarak iki gösterimi kullanmak, bellek ihtiyacını ve öğrenme zamanını önemli ölçüde arttırmadan, doğruluğu önemli ölçüde yükseltiyor.
Özet (Çeviri)
IV ABSTRACT Handwriting recognition has attracted enormous scientific interest because of its potential for improved man/machine interfaces. We have designed an on-line hand written digit recognition system after the examination of different techniques based on statistical and neural pattern recognition approaches. We collected a digit database from 44 people. We use two representations. The dynamic representation is based on constant length feature vectors of equally distanced points on the pen trajectory. The static representation converts the dynamic informa tion to an image similar to images used in off-line recognition tasks. Then, we tested the well known statistical classification method fc-nearest neighbor (fc-NN) and neural multi-layer perceptron (MLP) and recurrent networks using both representations. Classifiers trained with dynamic and static representations make misclassifica- tions for different samples. We combine them first by forming a feature vector composed of dynamic and static representations. In order to achieve higher accuracy, we com bine different classifiers using voting, mixture of experts, stacked generalization and cascading. The classifiers' selection criteria is based on the similarity among individual learners. We combine one MLP trained with dynamic data and one MLP trained with static data. We provide the results for all methods and make comparisons in terms of gen eralization accuracy, memory requirement and learning time. We conclude that using two representations increase accuracy considerably without significantly increasing the memory requirements and learning time.
Benzer Tezler
- Methods of combining multiple classifiers and their application to handwritten digit recognition
Birden çok sınıflandırıcıyı birleştirme yöntemleri ve el yazısı rakam tanıma üzerine uygulamaları
CENK KAYNAK
Yüksek Lisans
İngilizce
1995
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiY.DOÇ.DR. ETHEM ALPAYDIN
- Improving the performance of speaker identification systems by classifier combination techniques
Konuşmacı tanıma sistemlerinin başarımının sınıflandırıcı birleştirme yöntemleri ile iyileştirilmesi
HAKAN ALTINÇAY
Doktora
İngilizce
2000
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Körfezlerdeki su kalitesinin uydu görüntü verileri yardımıyla incelenmesi
The Evaluation of water-quality in the bays by satellite images
FİLİZ SUNAR
- Kaynak kısıtlı proje programlama problemlerinin çözümü için yeni yöntem ve algoritmalar
New methods and algorithms for solving the resource-constrained project scheduling problem
İHSAN UĞUR
- Bankaların mali başarısızlığını tahminine yönelik çok boyutlu model
The Multivariate predictive model of financial failure of the banking industry in Turkey
TÜRKAY KISA
Doktora
Türkçe
1997
İşletmeGazi ÜniversitesiMuhasebe ve Finansman Ana Bilim Dalı
PROF. DR. NALAN AKDOĞAN