本論文主要是運用自我映射組織圖（Self Organizing Map, SOM）可保留資料散佈結構的特性，將SOM與一些聚類（Clustering）演算法做一結合，成為一個改良後的兩階段聚類法，並透過一些範例加以證明本研究方法的可行性。 在本研究中，先後提出了兩個與SOM結合的聚類方法：其一，先以SOM對原始資料產生一初始聚類（Protoclusters）[21]或量化資訊（Quantization Information），再透過改良式的鄰近限制聚類法（Contiguity-Constrained Clustering Method）將第一階段產生的初始聚類，以總離散程度最小化（Minimum Global Variance）的方法，進行聚類合併的動作，以達到最後的聚類結果。 第二種方法則是將SOM與模糊最小最大聚類類神經網路（Fuzzy Min-Max Clustering Neural Network）[28]做一結合的聚類方法，主要將SOM作為一種前處理（Preprocess）的工具，將未排序過的資料順序做一排序動作，使得相似性高的資料得以被排序在一起，主要用來解決模糊最小最大聚類演算法（Fuzzy Min-Max Clustering Algorithm）會因為資料輸入順序的不同，而產生不同的超立方體（Hyperbox）分佈結果，進而造成聚類結果有所誤差的問題。 This thesis proposes two hybrid clustering approaches using neural networks. These clustering approaches use a Self-Organizing Map (SOM) to preprocess data, and apply some traditional clustering methods (e.g. Fuzzy Min-Max Neural Networks [28]) to data mining. Finally, we use some bench-mark exemplification for testing our approaches. The first approach uses the property of data topology preservation of SOM to generate protoclusters [21] (or quantization information) in the first step. Subsequently, quantization information will be clustered again by our improved Contiguity-Constrained Clustering Method that can obtain a minimum global variance when some closer protoclusters are merged. The second approach uses SOM to preprocess data and the result is applied to a Fuzzy Min-Max Clustering Neural Network (FMM) [28] for clustering. Such an approach can, therefore, be a solution for the sensitivity problem; that is, different input sequences of the same data set to Fuzzy Min-Max Clustering Algorithm may give different Hyperbox results.
