由於近年來利用叢集整合技術是一種趨勢，在許多的文獻中談到了叢集整合的許多 好處，例如: 能夠獲得一個較穩定而且正確的結果、或者是非常適合分散式的計算。它 能夠在不同時間或者是不同的地點各別去得到各別的結果，最後再將所有各別的結果整 合起來得到最終的結果。因此隨著目前資訊量的倍增，其分散式的計算更顯得的重要，
而且叢集整合的技術提供了我們一個穩定且較正確結果，所以在這樣的前提之下，叢集 整合技術非常適合我們欲發展一個更穩定且更適合於廣泛情況的叢集化演算法偵測主 曲線。
因此我們在本論文中提出了一個叢集整合技術偵測主曲線的演算法，與一般叢集化 演算法偵測主曲線較不同的是在一開始我們挑選了一個重心點具有體積的 GK 叢集化 演算法，並且利用階層聚合演算法來得到最佳化的分群。最後由叢集整合技術來得到正 確的最終分群。對於一個欲輸入的資料集合來說，我們不僅僅能夠找出含有多重物件的 主軸線，更能找到具有交叉性質物件的主曲線。而且在我們的第四章的實驗中顯示出，
我們能夠將兩個相互交叉的橢圓正確的把它們分離開來，還有我們可以很正確的去找出 英文字母筆畫的邊界，並將這些筆畫所屬於的資料集合給取出來，找到它們的主曲線。
而在偵測主曲線時我們使用修改的模糊主曲線追蹤演算法，因為在原本的模糊主曲 線追蹤演算法的形成相關性圖形跟去除多餘邊所形成的迴圈步驟中，並有沒很嚴謹的去 制訂出一個廣泛的去除迴圈的方法。因此我們自己定義一個形成相關性圖形和去除多餘 邊所形成的迴圈的方法，由此來得到最佳且最適合對於所取出來個別分群的資料集合，
它的初始主曲線。
在未來我們想加強我們所提出的演算法，讓它不只是能夠找到英文字母的筆畫主曲
線，我們更希望在將來可以找到中國字的筆畫主曲線。並希望能去找出一個資料集合中 包含有中國字、英文字母、和含有符號字元等多重物件、或者是不規則相交叉性質的複 合式多重物件，或是能夠去辨識不同國家的語言文字。在最後我們希望在一個有雜訊影 響的資料集合中，我們所提出的叢集整合技術偵測主曲線仍然能夠順利的去找出資料集 合中所包含的交叉物件以及非交叉的多重物件。
參考文獻
[1] M. Chen, Z. Cheng, and Y. Liu, “A Robust Algorithm of Principal Curve Detection,” Proc.
Int’l Conf. Pattern Recognition, Vol. I, pp. 429-432, 2004.
[2] X. Liu, and Y. Jia, “A Bottom-up Algorithm for Finding Principal Curves with Applications to Image Skeletonization”, Pattern Recognition, Vol. 38, pp. 1079-1085, 2005.
[3] D.C. Stanford, A.E. Raftery, “Finding Curvilinear Features in Spatial Point Patterns:
Principal Curve Clustering with Noise,” IEEE Trans. Pattern Anal. Mach. Intell., Vol. 22, pp.
601-609, 2000.
[4] B. Kegl, A. Krzyzak, T. Linder, and K.Zeger, “A Polygonal Line Algorithm for Construction Principal Curves,” Neural Information Processing Systems, Vol. 11, pp.
501-507, 1998.
[5] J.J. Verbeek, N. Vlassis, and B. Krose, “A K-segments Algorithm for Finding Principal Curves,” Pattern Recognition Lett., Vol. 23, pp. 1009-1017, 2002.
[6] H. Yan, “Fuzzy Curve-Tracing Algorithm,” IEEE Trans. Syst., Man, Cybern., Part B:
Cybern., Vol. 31, pp. 768-780, 2001.
[7] B. Lam and H. Yan, “Complex Curve Tracing Based on A Minimum Spanning Tree Model and Regularized Fuzzy Clustering”, IEEE int’l Conf. on Image Processing, Vol. 3, pp.
2091-2094, 2004.
[8] M. S. Baghshah and S. B. Shouraki, “A Fuzzy Clustering Algorithm for Finding Arbitrary Shaped Clusters”, IEEE/ACS int’l Conf. on Computer Systems and Applications, Vol. 31, pp.
559-566, 2008.
[9] L. Yang, H. Lv., and W. Wang, “Soft Cluster Ensemble Based on Fuzzy Similarity Measure”, Proc. IMACS Multiconfereceon, pp. 1994-1997, 2006.
[10] H. Luo, F. Kong, and Y. Li, “Combining Multiple Clusterings via K-modes Algorithm,”
Proc. Advanced Data Mining and Applications, pp. 308-315, 2006.
[11] A. L. Fred, and A. K. Jain, “Combining Multiple Clusterings Using Evidence Accumulation,” IEEE Trans. Pattern Anal. Mach. Intell., Vol. 27, pp. 835-850, 2005.
[12] R. Avogadri, and G. Valentini, “Ensemble Clustering with A Fuzzy Approach,”
Supervised and Unsupervised Ensemble Methods and their Applications, Studies in Computational Intelligence, vol. 126, 2008.
[13] X. Z. Fern and C. E. Brodley., “Random Projection for High Dimensional Data Clustering: A Cluster Ensemble Approach,” Proceedings of the International Conference on Machine Learning, pp. 186-193, 2003.
[14] P. Hore, L. Hall, and D. Goldgof., “A Cluster Ensemble Framework for Large Data Sets,” IEEE Int’l Conf. Systems, Man, and Cybernetics, Vol. 4, pp. 3342-3347, 2006.
[15] R. Babuska, P.J. van der Veen, U. Kaymak, ”Improved Covariance Estimation for Gustafson-Kessel Clustering”, IEEE Int’l Conf. Fuzzy Syst., Vol. 2, pp. 1081-1085, 2002.
[16] U. Kaymak and M. Sentnes, “Fuzzy Clustering with Volume Prototypes and Adaptive Cluster Merging,” IEEE Trans. Fuzzy Syst., Vol. 10, pp. 705-712, 2002.