クラスタリング手法はデータの次元削減や特徴量の抽出に適用される事例が多い．しかし，クラスタリング手法は入力されるデータ構造に合わせて柔軟に知識を獲得可能であるため，識別器への応用が期待されている．クラスタリング手法を識別器として適用する従来研究として，データのクラスごとにクラスタリング手法を適用し，識別境界を明確に学習する手法が提案されている．しかしながら，学習の不安定性や処理速度が遅い問題が指摘されている．本研究では，優れた自己組織化性能と高速な学習を両立するFastTopological CIM-based ART（FTCA）による識別器を提案する．数値実験により，提案手法が従来手法よりも優れた識別性能を有することを示した.
