小結

前面提到，本論文希望在對追蹤物的定位過程中，藉由數值分析，找出具有 參考性的位置資訊，最後並以這些參考價值較大的資訊作為追蹤物位置預測的主 要依歸。

為什麼要針對每個指引標籤的參考權重集合做分群呢？在前面小節有略微 提到，雖然在 LANDMARC 方法中，對於指引點的數目不能明確指示，但是由之前 的實驗數據可以觀察到，相對於其他標籤，參考權重較高的指引標籤在定位估算 時的確可以有較大的可信度。

所以，本論文採用分群演算法，將這些已經計算出來的指引點參考數值做分 群，所有的數值，勢必將依參考性的大小分成不同的集群，接著，採用參考數值 較大的這群內的所有資料做定位的計算，如此絕對會比原來的 LANDMARC 方法 中，把所有的參考數值都列入考量，但卻不知道何者為較佳解的情形，來的可靠。

因此，在分群效果上可信度更高的二階段分群法，會是本論文所欲引入的作 法，希望更精確的達到「組內同質、組間異質」、更優良分群結果的目標。

而本節會探討兩種組成不同的二階段分群法，(1) 第一階段：華德法 + 第 二階段：K-Means 方法，(2) 第一階段：灰關聯聚類法 + 第二階段：K-Means 方法，分別討論其適用性，如下：

(1) 華德法 + K-Means 方法：

在華德法的流程中，有個關鍵的地方，是資料分群的初始群數會在此流程中 確定。

初始群數確定取決的考量，有兩種思維：

一個是人為主觀的認定，例如將一群數值集合固定分成三個群集。

而另外一個思維，可以採用 Kelley 在 1996 年[11] 的研究中所提出的自動 群集階級選擇 (Automatic Cluster Level Selection)，以經過最佳化的計算流 程，決定將資料分群時最佳的群集數目。

因此，如果能夠在華德法過程中，預先計算出最佳的集群數字，將有助於之 後用 K-Means 法做第二階段資料分群的工作，將所有的數據及最佳群集個數帶 入，以算出最終的分群結果。

而在 K-Means 的過程中，決定好 K 所代表的集群數字後，直接引入最原始 要規劃分群的數據去計算，而第一階段華德法分群後資料的所屬群集，此資訊將 不納入考量，原因在於當該資料所屬群集也列入考慮時，容易因為群集編號 (1,2,3, …)此並非有參考性的欄位，而造成整體分群效能有所偏差，故而僅採 用最原始的資料去做集群分析。

(2) 灰關聯聚類法 + K-Means 方法：

在灰關聯聚類法中，有個相當重要的觀念，是關於參考序列與比較序列間的 灰關聯度測量，有了灰關聯度測量的計算結果，才能引申之後的效能指標計算，

以求得符合理想值的分群結果。

思維回到 2.5.4 小節中，參考權重數據引入後的考量，有可能在決定何者

為參考序列的時候出現問題；對於每個欲追蹤的標籤來說，最後一定會產生一組 由指引點的資訊計算出來的參考權重集合，但是在該集合內，何者可以當成唯一 的參考序列？.在關聯度計算中，位於多少信賴區間內的其他比較序列是值得信 賴的？這些都是需要深入思考的。

或許可以很主觀的認定，用參考權重集合內最大的數值作為唯一的參考序 列，以此數值作為比較關聯度的做法是可行的，但是如果同時有幾個參考數值十 分接近的參考點，這個思維是否仍一定成立，就仍需要評估了。

另外，在灰關聯聚類法中，分群初始閥值 (threshold) 的設定也是一個需 要經過人為主觀認定的過程，設定閥值過程最直接的影響，就是在稍後的運算過 程中，其他的比較序列有多少會因為不同閥值被歸於不同的群集，造成可能的偏 差？如果為了讓整體狀態下定位誤差平均值為最佳解，閥值應該設定多少？種種 考量，都可能讓這個議題的複雜度變的更大。

因此，在本論文研究中，基於複雜度考量，將暫時不以灰關聯聚類法做為二 階段分群法中第一階段的方法選擇，而單純以華德法的初始分群結果，繼續往下 引入第二階段非階層式的 K-Means 分群法，求得最後的分群數據，而本論文也 將在第三章提出新式的定位機制，融入二階段分群法的過程來解決問題。