VQ(Vector Quantization)主要目的是從訓練資料中找出具代表性的代碼作為分類的原型點（prototype），以減低一般分類器的執行時間。並希望在減少資料點數的同時又能維持一定的分類精度，所以必須在盡量不犧牲分類精度的考量下來產生出最具代表性的代碼。

本論文前半部份是以林帝任(2000)所發表的碩士論文為基礎架構，並參考楊傑能(2001)所發表的碩士論文中找尋決策邊界的部分，就原先論文提出的應變式VQ (Adaptive Vector Quantization Nearest Neighbor, AVQNN) 分類方法，針對有重疊情形發生的分類問題，將其中找尋決策邊界區域的部分，由k最近鄰居投票差異值(k-NNVD)的方法取代原先的最小交互鄰近值(MMNV)，來做進一步的改良，希望能夠提高分類器的分類效能。

此外，本論文後半部提出—挑選委員會機器(Committee Machine)成員的方法，藉著委員會機器，使得我們的處理過程能夠更多元化，達到專家們彼此互補的功能，進一步改善分類的效果。

Designing the Nearest Neighbor Classifiers via the VQ Method

第一章 緒論 1
1-1 前言 1
1-2 研究動機 1
1-3 論文架構 2

第二章 最近鄰居分類器 3
2-1 原理 3
2-2 演算法 4
第三章 向量資料量化 5
3-1向量資料量化原理 5
3-2 改良型LBG 7
第四章 找尋決策邊界區域的方法 13
4-1 最小交互鄰居值(MMNV) 13
4-2 k最近鄰居投票差異值(k-NNVD) 17
第五章 應變式的VQ分類問題 22
5-1訓練資料的前期處理（Preprocessing） 23
5-2訓練資料的中期處理（Processing） 24
5-3訓練資料的後期處理（Postpreprocessing） 31
第六章 委員會機器 32
6-1 原理 32
6-2 委員的挑選 33
6-3 委員會機器成員數目 35
6-4 委員會機器測試 35
第七章 實驗 44
7-1 VQ分類測試實驗 44
7-2 委員會機器分類測試實驗 60
第八章 結論 65
參考文獻 66

[1]、Linde, Y., Buzo, A., Gray, R. M., 1980, “An Algorithm for Vector
Quantizer Design,” IEEE Transaction on Communications, Vol. 28,
No. 1, pp. 84-95.

[2]、S. Haykin, 1999, “Neural networks: a comprehensive foundation,” 2nd Edition, Prentice Hall, Chapter 7, pp. 351-355.

[3]、S. Haykin, 1999, “Neural networks: a comprehensive foundation,” 2nd Edition, Prentice Hall, Chapter 4, pp. 156-251.

[4]、Jose’ C. Principe, Neil R. Euliano, and W. Curt Lefebvre, 2000,
“Neural and Adaptive Systems: fundamentals through simulations,”
John Wiley & Sons, Section 4.7.3, pp. 211-213.

[5]、Hart P. E., 1968, “The Condensed Nearest Neighbor Rule,” IEEE
Transactions on Information Theory,” May, pp. 515-516.

[6]、張善文, 1997, “最近鄰居型特徵變數萃取法,” 碩士論文, 國立中
山大學機械工程研究所。

[7]、嚴志文, 1999, “最近鄰居型特徵變數萃取法之改良,” 碩士論
文, 國立中山大學機械工程研究所。

[8]、勤大慶,1998, “以彈性的代碼增加方式改良最近鄰居分類器的
VQ訓練方法,” 碩士論文, 國立中山大學機械工程研究所。

[9]、林帝任, 2000, “以類神經網路區分電腦影像中的前景及背景,” 碩
士論文, 國立中山大學機械工程研究所。

[10]、楊傑能, 2001, ”一個找尋型態鑑別問題決策邊界區域的新方法”,
碩士論文, 國立中山大學機械工程研究所。