合併分類器（Combination of Classifiers）主要用於統整多筆有分類的資料，並從中計算出一個新的分類結果，使其最符合各種資料的分類結果。而旋律辨識則是以人聲哼唱旋律的方式，從已知的資料庫中找出正確的歌曲。現今已經有了許多種的旋律辨識的方法，而各種旋律辨識的方法也擁有各自的特性，如以動態時間伸縮(dynamic time warping，DTW)進行辨識的結果，通常需較長的時間，但卻有較高的辨識率，而線性縮放(linear-scaling，LS)，則速度較快，但相對於DTW辨識率則通常較差。而由於各種辨識方法有其不同的特性，因此其挑選出的歌曲也不盡相同。因此會出現某些的哼唱歌曲，使用某種辨識方法得到的辨識率比較好的情形。
本篇論文的重點在於，從合併分類法的角度，將旋律辨識的方法視為分類器，而其計算結果則視為分類器的分類結果，以達到整合各種旋律辨識的效果，因此，不同於旋律辨識的相關研究，本篇論文只注重於各種辨識方法的辨識結果，而不需考慮其辨識特性，其優點在於我們可以根據同一筆資料的不同排序結果，直接挑選出最好的辨識結果。
在實驗的部分，我們採用了兩組資料庫進行實驗，而根據實驗的結果，皆顯示兩組資料的辨識率皆可提升，然而都還是有無法突破的上界。因此在錯誤分析的部分，提出了一些無法被合併分類法所克服的類型。另一方面，也對於旋律辨識的兩種整合方式做比較，並做出結論。最後我們根據此結論，擷取兩種辨識方法的優點，並提出新的旋律辨識合併法（Combination of Melody Recognition）。

第1章 序論 6
1.1 合併分類法簡介 6
1.2 相關研究 6
1.3 本論文主要成果 7
1.4 章節概要 8
第2章 分類合併法的討論 9
2.1 根據最小名次之分析 9
2.2 加法 10
2.3 乘法 10
2.4 布達計數法(Borda Count Method) 10
2.4.1 基本概念 10
2.4.2 加權布達計數法(Weighted Borda Count Method) 11
2.4.3 布達計數法的修正(mwBorda‘s Method) 12
第3章 系統架構 14
3.1 旋律辨識的流程 14
3.2 旋律辨識的方法 14
3.2.1線性縮放(linear-scaling，LS) 14
3.2.2動態時間伸縮(dynamic time warping，DTW) 15
3.3 旋律辨識的整合 16
第4章 實驗與討論 18
4.1 實驗環境 18
4.2 實驗一：使用單一辨識方法 18
4.3 實驗二：各種合併辨識法的使用 20
4.4 平行(parallel)與序列(serial)旋律辨識的比較 23
4.5 平行式合併法的錯誤分析 26
4.6 平行式與序列式合併法的結合 27
4.7 辨識方法的計算時間比較 32
4.8 平行式與序列式合併法的優缺點 33
第5章 結論與未來工作 35
參考文獻 36

[1]
李念容, 張智星，"哼唱檢索的辨識方法改進及探討A Study on Improving the Methods for Querying by Singing/Humming"(2007)
[2]
Jean-Charles de Borda, Memoire sur les elections au scrutin, Historie de l’Academie Royale des Sciences, Paris (1781).
[3]
J. R. Parker, “Rank and response combination from confusion matrix data” (2000).
[4]
Jean-Francois Pessiot, Tuong-Vinh Truong, Nicolas Usunier, Massih-Reza Amini, Patrick Gallinari. “Learning to Rank for Collaborative Filtering” (2007)
[5]
王儀蓁，張智星，"旋律辨識系統之設計：限制回應時間之效能最佳化Melody Recognition System Design：Performance Optimization with Constrained Response Time"(2005)
[6]
Eunju Kim, Wooju Kim, Yillbyung Lee, “Combination of multiple classifiers for the customer’s purchase behavior prediction” (2002)
[7]
Chris Burges, Tal Shaked, Erin Renshaw, Ari Lazier, Matt Deeds, Nicole Hamilton, Greg Hullender, “Learning to Rank using Gradient Descent”(2005)