Veri madenciliği teknikleri kullanılarak sürücü tanıma ve sürücü doğrulama

Bu tez sürücü tanıma ve sürücü onaylama çalısmalarını içermektedir. Bu çalısmalar için sürücülerden toplanan bes degisik davranıs isaretleri kullanılmıstır. Bu isaretler yardımıyla sürücülerin öznitelikleri çıkarılmıs ve Karma Gauss Dagılım Modelleri kullanılarak sürücü davranısları modellenmistir. Karma Gauss Dagılım Modellerinin egitilmesi için Beklenti Enbüyütme algoritması kullanılmıstır. Sürücü tanıma çalısması için kimlikleri sınama verileri kullanılarak art olasılıklar elde edilmis ve bu olasılıklar aynı zamanda her sınıf için puan olarak kabul edilmistir. Bu puanların tümlestirilmesi için sabit kurallar ve egitilebilir tümlestiriciler kullanılmıstır. Sürücü dogrulama çalısması için olabilirlik oranının bir esikle karsılastırılması yapılmıstır. Degisik esik degerleri için yanlıs kabul-yanlıs red sıklıklarını grafiklemek için alıcı isletim egrisi kullanılmıstır. Bu çalısmanın amacı degisik sınıflandırıcı tümlestirme yöntemlerinin sürücü tanıma ve sürücü dogrulama performanslarına etkilerinin incelenmesidir. Egitilebilir tümlestirme yöntemleri ve sürücü davranıs sinyalleri kullanılarak sürücü tanımasında ve dogrulamasında düsük hata oranları elde edilmistir. Sonuçlarımız çok modlu sürüs sinyallerinin sınıflandırıcı tümlestirme yöntemleri ile kullanıldıgında sürücünün araba içi sartlarda tanınması ve onaylanmasında çok etkili olduklarını göstermistir.