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）。

[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)