聚类算法可以简化为一个找聚类中心的问题，比如k-means，而对于输入向量空间，找他的聚类中心，可以用统计学的方法，比如GMM，也可以用向量量化的方法。
自组织映射，可以理解为一种向量量化网络，相当于我们的选人大代表，一类相近的人可以选一个代表，SOM就是这样的思想，有了这些代表，聚类问题就变成了分类问题，剩下的便是让这些输入向量站队了。呵呵
还是打个比方，现在怎么选人大代表呢？如图：
你可以想象这是一块操场空地，为了方便演示，黑点代表群众，空圈就是人大代表，乍一看这些圈圈离群众都好远，怎么行呢，人大代表当然要深入群众了，这样才能代表群众，现在的问题是怎么样让这些圈圈走到群众中去？
现在进行一个策略，每次让一个群众在原地大喊：“代表向我靠拢！”，这样图上四个代表就根据声音的方向，向这个群众移动，这里有个问题，到底是四个“人大代表”都向这个群众移动呢，还是只有少数几个“人大代表”移动，我们可以认为声音传播越远越弱，距离那位群众越远的人大代表听的声音越弱，甚至听不见，“代表”听到的声音越强，移动的距离越长，反之移动越短，甚至不移动；
根据以上的策略，如下图，我们可以看到当所有的群众都喊了若干次后，四个人大代表都站到群众中间去了，这些代表就是各自的聚类中心；
自组织映射，就是这个原理，上面的黑圈圈就是所谓的神经元，即权值矩阵，我们通过最后收敛的权值矩阵来完成分类；但是你可能会困惑，说了这么多，跟映射有什么关系呢，其实这个映射就是数据空间到神经元的映射，神经元分布密集的地方说明那里的数据分布也很密集！就像上面如果某个区域人稀疏的话，代表也没法去嘛，因为没人叫他去啊！
当数据很大的时候，我们没法一次性处理，我们可以将数据分块，比如分成4块，分别进行SOM聚类，这里假设每块分5类，然后就有4*5=20个模式向量，对于总的块来说就是有20类，然后用他们的模式向量进行一次层次聚类，就能对整个数据进行聚类了；
神经网络用相对很简单的策略来实现有些很复杂的问题，并且效果都还不错。关于上面som的实现，要搜索最近的向量，如果搜索整个输入空间是很费时的事情，这里又要提到kd树了，有兴趣的可以看看；
任何一种基于大数据的算法，首先要考虑的就是效率，可行性。