This thesis concentrates on the development of classification models with artificial neural network algorithms which are powerful estimation technique. In the thesis, Learning Vector Quantization (LVQ) one of the artificial neural network techniques is used in addition to Grey LVQ which is a new LVQ method. The classification performances of LVQ methods and Multilayer Perceptron (MLP) are compared with an application based on wood type determination.The similarities between the sample vector (input vector) and the reference vectors in the LVQ classification algorithm are determined by evaluating the reference vectors individually. In the Gray LVQ algorithm, a classification which evaluates all the reference vectors together using the GRA is performed. To identify 4 different species belonging to genus of Acer L., classifiers were developed by using the biometric features of wood anatomy as input of LVQ, Gray LVQ and MLP algorithms. The classification accuracies of LVQ and Gray LVQ algorithms, which offer a new approach to the rare studies in the literature in which the wood species are identified using biometric measurements of anatomical features are similar to the accuracy of the MLP classifier. In all three methods, 95.83% classification accuracy was achieved in the test data set consisting of 24 samples.

Bu tez çalışması oldukça güçlü tahmin yeteneğine sahip olan yapay sinir ağları ile sınıflandırma modelleri geliştirilmesine odaklanmıştır. Çalışmada yapay sinir ağı tekniklerinden olan ve sınıflandırma uygulamalarında kullanılan Öğrenen Vektör Niceleme (LVQ) ile birlikte yeni bir sınıflandırıcı olan Gri LVQ kullanılmıştır. Odun türü belirleme üzerine bir uygulama yapılarak LVQ yöntemlerinin sınıflandırma performansları ve Çok Katmanlı Algılayıcı (ÇKA) sınıflandırma performansı kıyaslanmıştır.LVQ sınıflandırma algoritmasında örnek vektör ile referans vektörler arasındaki benzerlikler referans vektörlerin ayrı ayrı değerlendirilmesiyle belirlenir. Gri LVQ algoritmasında ise Gri İlişkisel Analiz yoluyla bütün referans vektörlerinin birlikte değerlendirildiği bir sınıflandırma gerçekleşir. Bu çalışma ile LVQ, Gri LVQ ve ÇKA yöntemleriyle odun anatomisine ait biyometrik özellikleri girdi olarak kullanıp Akçaağaç (Acer L.) cinsine ait 4 farklı türün ayrımını yapan sınıflandırıcı modeller geliştirilmiştir. Literatürde fazla çalışılmamış olan, anatomik özelliklerin biyometrik ölçümleri kullanılarak odun türünün belirlendiği çalışmalara yeni bir yaklaşım sunan LVQ ve Gri LVQ yöntemleriyle elde edilen sınıflandırma başarıları ÇKA sınıflandırıcıyla benzer olmuştur. Her üç yöntem de 24 örnekten oluşan veri kümesinde %95,83 sınıflandırma doğruluğuna ulaşılmıştır.