本研究提出了一种可解释的风格Takagi-Sugeno-Kang模糊聚类算法（IS-TSK-FC），旨在提高聚类结果的可解释性。该算法通过模糊规则推理，使聚类过程透明，实验表明其在处理显性风格数据时表现优越。

本研究提出了一种基于相关性的模糊簇有效性指数（WP指数），用于评估数据聚类中的最优聚类数，结果显示其准确性优于其他指数。同时，研究提出了新的聚类算法评估方法，验证了模糊聚类算法在高维数据中的敏感性，并探讨了深度聚类的评估挑战及有效性指标的应用方法。