Zusammenfassung - Otto-von-Guericke-Universität Magdeburg

8 Evaluation
große Anzahl freier Parameter, welche idealerweise in all ihren Ausprägungen untersucht
werden müssten. Da dies aufgrund des hohen Bedarfes an Ressourcen nicht zweckmäßig ist,
wurde in dieser Arbeit nur eine kleine Auswahl von Parameterausprägungen der Teilsysteme
berücksichtigt, und an diesen untersucht, wie sich die Fusion auf die Leistungsfähigkeit
auswirkt.
Multi-Sample-Fusion
Für die in Abschnitt 7.2.1 beschriebene Multi-Sample-Fusion auf der Entscheidungsebene
ist der Wert n (die Anzahl der Suchwiederholungen) der einzige Parameter, zusätzlich zu
denen des zugrunde liegenden fusionslosen Systems. Der Zeitaufwand für den eigentlichen
Suchvorgang erhöht sich um den Faktor n + 1 im Gegensatz zur ursprünglichen Suchzeit.
Daher wurde die Evaluation nur für Werte n ≤ 3 durchgeführt.
Neben diesem Parameter n der Suchwiederholungen existiert bei der Multi-Sample-Fusion
auf der Vergleichsebene ein weiterer Parameter: die Auswahl der Fusionsfunktion der Ähnlichkeitsvektoren.
Hierbei wurden die Minimum-, die Maximumfunktion sowie der Durchschnitt
untersucht. Für den Parameter n galt hier ebenfalls n ≤ 3.
Multialgorithmische Fusion
Ein Retrievalsystem, das auf der Merkmalsebene eine multialgorithmische Fusion durchführt
(siehe Abschnitt 7.2.2), hat einen Zeitaufwand für die Suche, der den eines Systems ohne Fusion
nicht übersteigt, da sich die Längen der Merkmalszeichenketten durch die Fusion nicht
vergrößern; lediglich die Alphabetgröße steigt. Die im Abschnitt 7.2.2 diskutierten, für eine
solche Fusion geeigneten Merkmalstypen sind die lokale Schriftrichtung und -krümmung.
Beide Merkmalstypen besitzen zwei Parameter: den Resamplingabstand und den jeweiligen
Quantisierungsgrad. Für die Fusion beider Merkmalstypen ist es nötig, dass der Parameter des
Resamplingabstandes der fusionierten Merkmale gleich ist. Damit ergibt sich eine Gesamtzahl
von drei unabhängigen Parametern des fusionierten Gesamtsystems: der Resamplingabstand
und zwei Quantisierungsgrade q1 und q2. Als Resamplingabstand wurden für die Tests die
Werte 10, 15, 20 und 30 verwendet. Für q1 und q2 wurden die Werte 1, 4, 8 und 16 berücksichtigt
(ohne q1 = q2 = 1).
Die multialgorithmische Fusion auf der Entscheidungsebene ist ohne Weiteres für jede
Kombination beliebiger Einzelsysteme, unabhängig von ihren jeweiligen Merkmalstypen und
deren Parametern möglich. Aufgrund des hohen Zeitbedarfs für das Testen aller möglichen
Kombinationen wurde in dieser Arbeit eine Teilmenge dieser Kombinationsmöglichkeiten
berücksichtigt: es wurden jeweils zwei Teilsysteme miteinander fusioniert, wobei eines der
Teilsysteme stets jenes war, welches die besten Einzelergebnisse erbrachte. Auf diese Weise
sollte untersucht werden, ob die Resultate dieses besten Einzelsystems durch eine Fusion mit
weniger leistungsstarken Einzelsystemen weiter gesteigert werden können.
Für eine multialgorithmische Fusion auf der Entscheidungsebene wurden die Schwellwerte
der Einzelsysteme unabhängig voneinander variiert und für jede Schwellwertkombination die
Precision und der Recall der Fusion ermittelt. Die Fusion wurde durchgeführt sowohl mittels
Bestimmung der Schnitt-, als auch der Vereinigungsmenge der Ergebnismengen der Ein-
110