Bu çalışmada el yazısı karakterlerinin uygun cebirsel eğriler ile modellenip denklem şeklinde ifade edilmesi ve elde edilen denklemin kuvvet ve katsayıları kullanılarak karakterlerin sınıflandırılması amaçlanmıştır. Bu sebeple çalışmada çeşitli eğri uydurma yöntemleri ele alınmıştır. Bunlar arasında hız ve başarı oranı göz önünde tutulduğunda kapalı cebirsel eğrilerle modellemenin diğer yöntemlere göre daha ön plana çıktığı görülmüştür. Sınıflandırma işlemi için el yazısı rakamların sekizinci dereceden cebirsel denklemleri elde edilerek denklem katsayıları öznitelik olarak kullanılmıştır. Elde edilen katsayıların değişmez olabilmesi için sadece ölçekleme ve ötelemeye göre normalizasyonu yapılmıştır. Ayrıca dilsel kuvvetli sinir bulanık sınıflayıcı ile öznitelik seçimi yapılmıştır. Çalışmada MNIST el yazısı rakam veri tabanının tamamı ve belli bir kısmı kullanılarak Bayes ve yapay sinir ağları ile önerilen yöntemin tanıma başarısı ölçülmüştür. Çalışmada elde edilen %92.87 değerindeki tanıma oranı umut vaat edip yöntemin geliştirilerek her karakterin bir denklemle ifade edilebileceği açıktır. Böylece karakterleri görüntü biçiminde saklamak yerine katsayılarla saklayarak daha az bellek kullanımı sağlanabilir. Gelecekte, veri transferinde görüntü yerine transfer edilen katsayılarla veri iletim hızı arttırılabilir. Yeni ve daha verimli bir bilgi ya da görüntü sıkıştırma yöntemi, cebirsel eğri yöntemleri önerilebilir. Anahtar Kelimeler: El yazısı, karakter tanıma, kapalı cebirsel eğriler, modelleme, Bayes, yapay sinir ağları, uyarlamalı sinir-bulanık sınıflayıcı.
In this study, the modeling of handwriting characters by using the appropriate algebraic curves were aimed, and expressed as an equation. Also, the coefficients and exponents of obtained equations were used for classification of handwritten digits. Therefore, a variety of curve fitting methods were tested in the study. When the speed and the success rate of methods were considered, it was observed that the process of modeling with implicit curves is better than other methods. Coefficients of the equation were used as attribute by obtaining eighth degree algebraic equations of the handwritten digits for the classification process. To be invariant, the normalization of the obtained coefficients was made according to only scaling and translation. Feature selection was also done with neuro-fuzzy classifier with linguistic hedges. In the study, the recognition rate of the method proposed with the Bayes and neural networks was measured by using entire and the certain part of MNIST database of handwritten digits. Recognition rate of 92.87 % was obtained, which in the study are promising, and it is clear that each character can be expressed with an equation by developing the method. By this way, the less memory using can be satisfied by storage of coefficients instead of the storage of image. In future, the speed of data transport can be accelerated by the using of coefficients in place of images. Also, a new and efficiently data or image compression method can be proposed with algebraic curves. Keywords: Handwriting, character recognition, implicit curves, modeling, Bayes, neural network, adaptive neuro-fuzzy classifier.
Tez (Yüksek Lisans) - Süleyman Demirel Üniversitesi, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Anabilim Dalı, 2012.
Kaynakça var.
Bu çalışmada el yazısı karakterlerinin uygun cebirsel eğriler ile modellenip denklem şeklinde ifade edilmesi ve elde edilen denklemin kuvvet ve katsayıları kullanılarak karakterlerin sınıflandırılması amaçlanmıştır. Bu sebeple çalışmada çeşitli eğri uydurma yöntemleri ele alınmıştır. Bunlar arasında hız ve başarı oranı göz önünde tutulduğunda kapalı cebirsel eğrilerle modellemenin diğer yöntemlere göre daha ön plana çıktığı görülmüştür. Sınıflandırma işlemi için el yazısı rakamların sekizinci dereceden cebirsel denklemleri elde edilerek denklem katsayıları öznitelik olarak kullanılmıştır. Elde edilen katsayıların değişmez olabilmesi için sadece ölçekleme ve ötelemeye göre normalizasyonu yapılmıştır. Ayrıca dilsel kuvvetli sinir bulanık sınıflayıcı ile öznitelik seçimi yapılmıştır. Çalışmada MNIST el yazısı rakam veri tabanının tamamı ve belli bir kısmı kullanılarak Bayes ve yapay sinir ağları ile önerilen yöntemin tanıma başarısı ölçülmüştür. Çalışmada elde edilen %92.87 değerindeki tanıma oranı umut vaat edip yöntemin geliştirilerek her karakterin bir denklemle ifade edilebileceği açıktır. Böylece karakterleri görüntü biçiminde saklamak yerine katsayılarla saklayarak daha az bellek kullanımı sağlanabilir. Gelecekte, veri transferinde görüntü yerine transfer edilen katsayılarla veri iletim hızı arttırılabilir. Yeni ve daha verimli bir bilgi ya da görüntü sıkıştırma yöntemi, cebirsel eğri yöntemleri önerilebilir. Anahtar Kelimeler: El yazısı, karakter tanıma, kapalı cebirsel eğriler, modelleme, Bayes, yapay sinir ağları, uyarlamalı sinir-bulanık sınıflayıcı.
In this study, the modeling of handwriting characters by using the appropriate algebraic curves were aimed, and expressed as an equation. Also, the coefficients and exponents of obtained equations were used for classification of handwritten digits. Therefore, a variety of curve fitting methods were tested in the study. When the speed and the success rate of methods were considered, it was observed that the process of modeling with implicit curves is better than other methods. Coefficients of the equation were used as attribute by obtaining eighth degree algebraic equations of the handwritten digits for the classification process. To be invariant, the normalization of the obtained coefficients was made according to only scaling and translation. Feature selection was also done with neuro-fuzzy classifier with linguistic hedges. In the study, the recognition rate of the method proposed with the Bayes and neural networks was measured by using entire and the certain part of MNIST database of handwritten digits. Recognition rate of 92.87 % was obtained, which in the study are promising, and it is clear that each character can be expressed with an equation by developing the method. By this way, the less memory using can be satisfied by storage of coefficients instead of the storage of image. In future, the speed of data transport can be accelerated by the using of coefficients in place of images. Also, a new and efficiently data or image compression method can be proposed with algebraic curves. Keywords: Handwriting, character recognition, implicit curves, modeling, Bayes, neural network, adaptive neuro-fuzzy classifier.