In this study, the classification and modeling of handwriting characters by using the implicit curves were aimed. Also, the coefficients of eighth degree implicit equations were used for classification of handwritten digits. Therefore, a variety of curve fitting methods were tested in the study. 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 is not yet comparable to other methods. But 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.

Bu çalışmada el yazısı karakterlerinin kapalı cebirsel eğriler ile modellenip sınıflandırılması amaçlanmıştır. 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 ve uyarlamalı sinir bulanık sınıflayıcı (USBS) ile öznitelik seçimi yapılmıştır. Çalışmada Modified National Institute of Standards and Technology (MNIST) el yazısı rakam veri tabanı kullanılarak Bayes ve yapay sinir ağları ile önerilen yöntemin tanıma başarısı ölçülmüştür. Çalışmada elde edilen %92.87 değerindeki tanıma oranı henüz diğer yöntemlerle kıyaslanabilir seviyede değildir. Ancak yöntemin geliştirilerek her karakterin bir denklemle ifade edilebileceği açıktır. Böylece karakterleri görüntü biçiminde saklamak yerine katsayılarla saklayarak daha az bellek kullanımı sağlanabilir.