目前雖然已有許多的分群方法被提出來，但它們普遍面臨一些問題：(1)　無法應用於使用非空間相似度量測法之資料、(2)　缺乏自動性、(3)　品質不佳、(4)　效率不佳、(5)　缺乏讓使用者自定條件之彈性。本論文提出了一些新穎的分群方法，可以處理各式各樣採用非空間相似度量測法之資料，特別是針對基因表現資料的分析。
首先，我們提出了可分析各種資料的一個整合的分群方法，稱為Smart　Cluster　Affinity　Search　Technique　(Smart-CAST)，並將它應用在探勘多狀態的基因表現資料上。Smart-CAST整合了密度基礎分群法以及驗證技術，以達到群集分析的自動化與高正確性之需求。另外，我們提出了一個反覆的計算方式可以有效地減少分群所需執行次數，進而達到執行效率之提升。經由模擬的基因表現資料之實驗顯示，Smart-CAST比其他方法更具高效率、高分群品質與高度自動化。
其次，我們提出了一個無參數、以相似度為基礎的高效率分群方法，稱為Correlation　Search　Technique　(CST)。CST最獨特新穎的地方在於它將驗證技術合併整合於分群過程中，所以在執行過程中可以隨時保持高分群品質之結果。經由實際的及模擬的基因表現資料之實驗顯示，CST比其他方法更具高效率、高分群品質與高度自動化。經由實驗證實，CST　非常適用於分析基因表現資料。
再者，我們提出了一個不需使用者輸入參數，且適用於分析使用非空間相似度量測法之資料的模糊分群方法，稱為Similarity-based　Possibilistic　C-Means　(SPCM)。SPCM主要的概念在於整合及改良PCM與Mountain　Method，使它可以符合以相似度為基礎之分群應用，SPCM的優點在於它可以自動產生分群結果而不需要使用者輸入任何參數。經由實際的及模擬的基因表現資料之實驗顯示，SPCM對於以相似度為基礎的分群分析，即使在雜訊很多的環境之下，仍具有高效率、高分群品質與高度自動化。
最後，我們提出了一個改良的階層式分群方法，稱為Correlational　Constrained　Complete-Link　(C-CCL)。C-CCL適用於當使用相關係數為相似度量測法，並擁有基因配對限制的監控資訊時，針對基因進行表現分析。C-CCL的輸入不止包含了基因的相似度矩陣，還包含了基因分群的配對限制。經由實際的基因表現資料之實驗顯示，C-CCL優於其他的方法。
經由實驗證實，本研究所提出之方法確實能解決現存分群方法在處理非空間相似度量測法、自動性、品質、效率、讓使用者自定條件…等方面之問題。本研究所提出之方法未來將能廣泛運用在基因微陣列分析等高價值之應用上。
。

Although　a　number　of　clustering　methods　have　been　studied　in　the　rich　literature,　they　incur　problems　in　the　following　aspects:　(1)　Non-spatial　similarity　measures;　(2)　Automation;　(3)　Quality;　(4)　Efficiency;　and　(5)　Flexibility.　In　this　dissertation,　we　propose　several　novel　methods　to　cluster　various　types　of　data　with　non-spatial　similarity　measures,　especially　for　gene　expression　analysis.
First,　we　proposed　an　integrated　approach,　called　Smart　Cluster　Affinity　Search　Technique　(Smart-CAST),　for　identifying　and　validating　clusters　in　multivariate　data　sets　and　apply　it　to　the　mining　of　gene　expressions　in　multi-condition　experiments.　Smart-CAST　incorporates　the　density-based　clustering　method　along　with　validation　techniques　to　achieve　automation　and　high　accuracy　in　clustering.　Furthermore,　an　iterative　computing　process　is　adopted　to　reduce　the　amount　of　computation　required　for　clustering　so　as　to　meet　the　requirement　of　efficiency.　Through　experiments　conducted　on　simulated　gene　expression　data　sets,　the　Smart-CAST　is　shown　to　deliver　higher　efficiency,　clustering　quality　and　automation　than　other　methods.
Second,　we　proposed　a　parameter-less,　similarity-based　and　efficient　clustering　algorithm,　called　Correlation　Search　Technique　(CST)　that　fits　for　analysis　of　gene　expression　data.　The　unique　feature　of　CST　is　it　incorporates　the　validation　techniques　into　the　clustering　process　so　that　high　quality　clustering　results　can　be　produced　on　the　fly.　Through　experimental　evaluation,　the　CST　is　shown　to　outperform　other　clustering　methods　greatly　in　terms　of　clustering　quality,　efficiency　and　automation　on　both　of　synthetic　and　real　data　sets.
Moreover,　we　proposed　a　novel　fuzzy　clustering　method,　called　Similarity-based　Possibilistic　c-Means　(SPCM)　that　fits　for　clustering　data　with　non-spatial　similarity　measures,　without　requesting　users　to　specify　the　cluster　number.　The　main　idea　behind　the　SPCM　is　to　extend　the　PCM　for　similarity-based　clustering　applications　by　integration　with　the　Mountain　Method　(MM).　The　SPCM　has　the　merit　that　it　can　automatically　generate　clustering　results　without　requesting　users　to　specify　the　cluster　number.　Through　performance　evaluation　on　real　and　synthetic　data　sets,　the　SPCM　method　is　shown　to　perform　excellently　for　similarity-based　clustering　in　clustering　quality,　even　in　a　noisy　environment　with　outliers.
Finally,　we　proposed　an　improved　hierarchical　clustering　method,　called　Correlational　Constrained　Complete-Link　(C-CCL),　for　microarray　or　gene　expression　analysis　in　the　presence　of　supervisory　information,　given　as　pairwise　constraints,　while　using　correlation　coefficients　as　similarity　measure.　We　are　given　not　only　a　similarity　matrix　for　the　genes　in　the　data　set,　but　also　a　set　of　constraints　given　as　pairwise　cluster　decision　assertions.　The　performance　evaluation　shows　that　the　C-CCL　outperforms　the　other　methods　substantially　in　empirical　studies.
Through　performance　evaluation　on　various　real　and　synthetic　data　sets,　the　proposed　methods　can　resolve　the　main　problems　in　existing　clustering　methods　in　terms　like　non-spatial　similarity　measures,　automation,　efficiency,　etc.　The　rapid　growth　of　various　data　mining　applications　justifies　the　timeliness　and　importance　of　our　efforts　in　this　research.

[1]　R.　Agrawal,　J.　Gehrke,　D.　Gunopulos,　and　P.　Raghavan,　“Automatic　Subspace　Clustering　of　High　Dimensional　Data　for　Data　Mining　Applications.”　Proc.　of　the　ACM　SIGMOD　International　Conference　on　Management　of　Data,　Seattle,　Washington,　1998.
[2]　M.　N.　Ahmed,　S.　M.　Yamany,　N.　Mohamed,　A.　A.　Farag,　and　T.　Moriarty,　“A　modified　fuzzy　c-means　algorithm　for　bias　field　estimation　and　segmentation　of　MRI　data,”　IEEE　Transactions　on　Medical　Imaging,　vol.　21,　no.　3,　pp.　193-199,　2002.
[3]　M.　S.　Aldenderfer　and　R.　K.　Blashfield,　Cluster　Analysis,　Sage　Publications,　Beverly　Hills,　USA,　1984.
[4]　U.　Alon,　N.　Barkai,　D.　A.　Notterman,　K.　Gish,　S.　Ybarra,　D.　Mack,　and　A.　J.　Levine,　“Broad　patterns　of　gene　expression　revealed　by　clustering　analysis　of　tumor　and　normal　colon　tissues　probed　by　oligonucleotide　arrays,”　in　Proceedings　of　National　Academy　of　Science,　Vol.　96,　1999,　pp.　6745-6750.
[5]　M.　Ankerst,　M.　M.　Breunig,　H.　P.　Kriegel,　and　J.　Sander,　“OPTICS:　ordering　points　to　identify　the　clustering　structure.”　Proceedings　of　the　1999　ACM　SIGMOD　International　Conference　on　Management　of　Data,　Philadephia,　Pennsylvania,　USA,　pp.　49-60,　1999.
[6]　S.　Banerjee,　D.　P.　Mukherjee,　and　D.　D.　Majumdar,　“Fuzzy　c-means　approach　to　tissue　classification　in　multimodal　medical　imaging,”　Information　Sciences,　vol.　115,　no.　1-4,　April　1999,　pp.　261-279,　1999.
[7]　S.　Basu,　A.　Banerjee,　and　R.　J.　Mooney,　“Semi-supervised　Clustering　by　Seeding.”　Proc.　of　the　Nineteenth　International　Conference　on　Machine　Learning　(ICML'02),　pp.　19-26,　2002.
[8]　A.　Ben-Dor　and　Z.　Yakhini,　“Clustering　gene　expression　patterns,”　Journal　of　Computational　Biology,　Vol.　6,　1999,　pp.　281-297.
[9]　J.　C.　Bezdek,　Pattern　Recognition　with　Fuzzy　Objective　Function　Algorithms,　Plenum　Press,　New　York,　1981.
[10]　J.　C.　Bezdek,　J.　Keller,　R.　Krishnapuram,　and　M.　R.　Pal,　Fuzzy　Models　and　Algorithms　for　Pattern　Recognition　and　Image　Processing,　Kluwer　Academic　Publishing,　Norwell,　MA,　USA,　1999.
[11]　A.　Brazma,　I.　Jonassen,　J.　Vilo,　and　E.　Ukkonen.　“Predicting　gene　regulatory　elements　in　silico　on　a　genomic　scale,”　Genome　Research,　vol.　8,　pp.　1202-1215,　1998.
[12]　G.　A.　Carpenter　and　S.　Grossberg,　“A　massive　parallel　architecture　for　a　self-organizing　neural　pattern　recognition　machine,”　Computer　Vision,　Graphics,　and　Image　Processing,　vol.　37,　pp.　54-115,　1987.
[13]　M.-S.　Chen,　J.　Han,　and　P.　S.　Yu,　“Data　mining:　An　Overview　from　a　Database　Perspective,”　IEEE　Transactions　on　Knowledge　and　Data　Engineering,　vol.　8,　no.　6,　pp.　866-883,　1996.
[14]　Z.　Chi,　H.　Yan,　T.　Pahm,　Fuzzy　Algorithms:　with　Applications　to　Image　Processing　and　Pattern　Recognition,　World　Scientific　Publishing,　Singapore,　1996.
[15]　S.　B.　Cho　and　J.　Ryu,　“Classifying　gene　expression　data　of　cancer　using　classifier　ensemble　with　mutually　exclusive　features.”　Proc.　of　IEEE,　vol.　90,　no.　11,　pp.　1744-1753,　2002.
[16]　S.　Chu,　J.　DeRisi,　M.　Eisen,　J.　Mulholland,　D.　Botstein,　P.O.　Brown,　and　I.　Herskowitz,　“The　transcriptional　program　of　sporulation　in　budding　yeast.”　Science,　vol.　282,　no.　5393,　pp.　699-705,　1998.
[17]　T.　H.　Cormen,　C.　E.　Leiserson,　and　R.　L.　Rivest,　Introduction　to　algorithms.　MIT　Press,　Cambridge,　MA,　1990.
[18]　R.　N.　Dave,　“Robust　fuzzy　clustering　algorithms,”　Proceeding　of　the　IEEE　International　Conference　on　Fuzzy　Systems,　vol.　2,　pp.　1281-1286,　1993.
[19]　R.　N.　Dave　and　R.　Krishnapuram,　“Robust　Clustering　Mehods:　A　Unified　View,”　IEEE　Transactions　on　Fuzzy　Systems,　vol.　5,　no.　2,　pp.　270-293,　1997.
[20]　R.　N.　Dave　and　S.　Sen,　“Robust　fuzzy　clustering　of　relational　data,”　IEEE　Transactions　on　Fuzzy　Systems,　vol.　10,　no.　6,　pp.　713-727,　2002.
[21]　J.　W.　Davenport　and　R.　J.　Hathaway,　“Possibilistic　c-Means　Clustering　for　Relational　Data,”　Proceedings　of　the　First　International　Conference　on　Neural,　Parallel　&　Scientific　Computations,　vol.　1,　pp.　139-142,　1995.
[22]　I.　Davidson　and　S.　S.　Ravi,　“Clustering　With　Constraints:　Feasibility　Issues　and　the　k-Means　Algorithm.”　Proc.　of　SIAM　International　Conference　on　Data　Mining　(SDM'05),　2005.
[23]　D.　L.　Davies　and　D.　W.　Bouldin,　“A　cluster　separation　measure,”　IEEE　Transactions　on　Pattern　Analysis　and　Machine　Intelligence,　vol.　1,　no.　2,　pp.　224-227,　1979.
[24]　D.　Dembele　and　P.　Kastner,　“Fuzzy　c-means　method　for　clustering　microarray　data,”　Bioinformatics,　vol.　19,　pp.　973–980,　2003.
[25]　J.　DeRisi,　L.　Penland,　P.　O.　Brown,　M.　L.　Bittner,　P.　S.　Meltzer,　M.　Ray,　Y.　Chen,　Y.　A.　Su,　and　J.　M.　Trent,　“Use　of　a　cDNA　microarray　to　analyze　gene　expression　patterns　in　human　cancer.”　Nature　Genetics,　vol.　14,　pp.　457-460,　1996.
[26]　J.　DeRisi,　V.　R.　Iyer,　and　P.　O.　Brown,　“Exploring　the　metabolic　and　genetic　control　of　gene　expression　on　a　genomic　scale.”　Science,　vol.　278,　pp.　680-686,　1997.
[27]　M.　B.　Eisen,　P.　T.　Spellman,　P.　O.　Brown,　and　D.　Botstein,　“Clustering　analysis　and　display　of　genome　wide　expression　patterns,”　Proceedings　of　the　National　Academy　of　Sciences,　vol.　95,　pp.　14863-14868,　1998.
[28]　M.　Ester,　H.-P.　Kriegel,　J.　Sander,　and　X.　Xu,　“A　density-based　algorithm　for　discovering　clusters　in　large　spatial　databases　with　noise.”　Proceedings　of　the　2nd　International　Conference　on　Knowledge　Discovery　and　Data　Mining,　pp.　226-231,　Portland,　Orgon,　1996.
[29]　D.　H.　Fisher,　“Knowledge　acquisition　via　incremental　conceptual　clustering.”　Machine　Learning,　vol.　2,　pp.　139-172,　987.
[30]　S.　P.　A.　Fodor,　R.　P.　Rava,　X.　C.　Huang,　A.　C.　Pease,　C.　P.　Holmes,　and　C.　L.　Adams,　“Multiplexed　biochemical　assays　with　biological　chips.”　Nature,　vol.　364,　pp.　555-556,　1993.
[31]　A.　D.　Gordon,　Classification,　2nd　Edition.　Monographs　on　Statistics　and　Ap-plied　Probability　82,　Chapman　and　Hall/CRC,　NY,　1999.
[32]　K.　C.　Gowda　and　E.　Diday,　“Symbolic　clustering　using　a　new　similarity　measure,”　IEEE　Transactions　on　Systems,　Man,　and　Cybernetics,　vol.　22,　no.　2.　pp.　368-378,　1992.
[33]　S.　Guha,　R.　Rastogi,　and　K.　Shim,　“CURE:　An　efficient　clustering　algorithm　for　large　databases,”　Proc.　of　ACM-SIGMOD　International　Conference　on　Management　of　Data,　pp.　73-84,　1998.
[34]　S.　Guha,　R.　Rastogi,　and　K.　Shim,　“ROCK:　a　robust　clustering　algorithm　for　categorical　attributes,”　Proc.　of　the　15th　International　Conf.　on　Data　Eng,　pp.　512-521,　1999.
[35]　M.　Halkidi,　Y.　Batistakis,　and　M.　Vazirgiannis,　“On　Clustering　Validation　Techniques,”　Journal　of　Intelligent　Information　Systems,　vol.　17,　no　2-3,　pp.　107-145,　2001.
[36]　R.　J.　Hathaway,　J.　W.　Davenport,　and　J.　C.　Bezdek,　“Relational　duals　of　the　c-Means　clustering　algorithms,”　Pattern　Recognition,　vol.　22,　no.　2,　pp.205-212,　1989.
[37]　R.　J.　Hathaway　and　J.　C.　Bezdek,　“NERF　c-means:　non-Euclidean　relational　fuzzy　clustering,”　Pattern　Recognition,　vol.　27,　no.　3,　pp.429-437,　1994.
[38]　R.　J.　Hathaway　and　J.　C.　Bezdek,　“Visual　cluster　validity　for　prototype　generator　clustering　models,”　Pattern　Recognition　Letters,　vol.　24,　no.　9-10,　pp.　1563-1569,　2003.
[39]　A.　Hinneburg　and　D.　A.　Keim,　“An　Efficient　Approach　to　Clustering　in　Multimedia　Databases　with　Noise.”　Proc.　4th　Int.　Conf.　on　Knowledge　Discovery　and　Data　Mining,　New　York,　AAAI　Press,　1998.
[40]　A.　K.　Jain　and　R.　C.　Dubes,　Algorithms　for　Clustering　Data,　Prentice　Hall,　Englewood　Cliffs,　N.J,　1988.
[41]　G.　Karypis,　E.　H.　Han,　and　V.　Kumar,　“CHAMELEON:　A　hierarchical　clustering　algorithm　using　dynamic　modeling,”　IEEE　Computer,　vol.　32,　no.　8,　pp.　68-75,　1999.
[42]　L.　Kaufman　and　P.　J.　Rousseeuw,　Finding　Groups　in　Data:　An　Introduction　to　Cluster　Analysis.　New　York:　Wiley,　1990.
[43]　M.　K.　Kerr　and　G.　A.　Churchill,　“Bootstrapping　cluster　analysis:　assessing　the　reliability　of　conclusions　from　microarray　experiments,”　Proc.　Natl　Acad.　Sci.　USA,　vol.　98,　no.　16,　pp.　8961–8965,　2001.
[44]　S.　Y.　Kim,　T.　M.　Choi,　and　J.　S.　Bae,　“Fuzzy　Types　Clustering　for　Microarray　Data,”　International　Journal　of　Computational　Intelligence,　vol.　2,　no.　1,　pp.　12-15,　2005.
[45]　D.　Klein,　S.　Kamvar,　and　C.　Manning,　“From　Instance-level　Constraints　to　Space-level　Constraints:　Making　the　Most　of　Prior　Knowledge　in　Data　Clustering.”　Proc.　of　the　Nineteenth　International　Conference　on　Machine　Learning,　pp.　307-314,　2002.
[46]　T.　Kohonen,　“The　self-organizing　map,”　Proceedings　of　the　IEEE,　vol.　78,　no.　9,　pp.　1464-1479,　1990.
[47]　R.　Krishnapuram　and　J.　M.　Keller,　“A　possibilistic　approach　to　clustering,”　IEEE　Transactions　on　Fuzzy　Systems,　vol.　1,　no.　2,　pp.　98-110,　May　1993.
[48]　R.　Krishnapuram　and　J.　M.　Keller.　“The　Possibilistic　c-Means　Algorithm:　insights　and　recommandations,”　IEEE　Transactions　on　Fuzzy　Systems,　vol.　4,　pp.　385-393,　1996.
[49]　J.　B.　McQueen,　“Some　Methods　for　Classification　and　Analysis　of　Multivariate　Observations.”　Proc.　of　the　Fifth　Symposium　on　Mathematical,　Statistics,　and　Probability,　vol.　1,　pp.　281-297,　1967.
[50]　R.　T.　Ng　and　J.　Han,　“Efficient　and　effective　clustering　methods　for　spatial　data　mining.”　Proc.　of　the　20th　VLDB　Conference,　pp.　144-155,　Santiago,　Chile,　1994.
[51]　D.　L.　Pham　and　J.　L.　Prince,　“An　adaptive　fuzzy　C-means　algorithm　for　image　segmentation　in　the　presence　of　intensity　inhomogeneities.”　Pattern　Recognition　Letters,　vol.　20,　no.1,　pp.　57-68,　1999.
[52]　C.　J.　Roberts,　B.　Nelson,　M.　J.　Marton,　R.　Stoughton,　M.　R.　Meyer,　H.　A.　Bennett,　Y.　D.　He,　H.　Dai,　W.　L.　Walker,　T.　R.　Hughes,　M.　Tyers,　C.　Boone,　and　S.H.　Friend,　“Signaling　and　circuitry　of　multiple　map　pathways　revealed　by　matrix　of　global　gene　expression　profiles.”　Science,　vol.　283,　pp.　873-880,　2000.
[53]　F.　J.　Rohlf,　“Classification　of　Aedes　by　numerical　taxonomic　methods　(Diptera,　Culicidae),”　Ann　Entomol　Soc　Amer,　vol.　56,　pp.　798-804,　1963.
[54]　D.　E.　Rumelhart　and　D.　Zipser,　“Feature　discovery　by　competitive　learning,”　Cog.　Sci.,　vol.　9,　pp.　75-112,　1985.
[55]　M.　Schena,　D.　Shalon,　R.　W.　Davis　and　P.　O.　Brown,　“Quantitative　monitoring　of　gene　expression　patterns　with　a　complementary　DNA　microarray,”　Science,　vol.　270,　pp.　467-470,　1995.
[56]　G.　Sheikholeslami,　S.　Chatterjee,　and　A.　Zhang,　“WaveCluster:　A　multi-resolution　clustering　approach　for　very　large　spatial　databases.”　Proceedings　of　the　24　th　Very　Large　Databases　Conference　(VLDB　98),　pp.　428-439,　New　York,　Aug.　1998.
[57]　H.-L.　Shieh,　Y.-K.　Yang,　and　C.-N.　Lee,.　“A　Robust　Fuzzy　Clustering　Approach　and　Its　Application　to　Principal　Component　Analysis,”　Proceedings　of　the　International　Conference　on　Artificial　Intelligence　and　Applications,　pp.　251-256,　2005.
[58]　P.　T.　Spellman,　G.　Sherlock,　M.　Q.　Zhang,　V.　R.　Iyer,　K.　Anders,　M.　B.　Eisen,　P.　O.　Brown,　D.　Botstein,　and　B.　Fucher,　“Comprehensive　Identification　of　Cell　Cycle-regulated　Genes　of　the　Yeast　Saccharomyces　Cerevisiae　by　Microarray　Hybridization,”　Molecular　Biology　of　the　Cell,　vol.　9,　no.　12,　pp.　3273-3297,　1998.
[59]　P.　Tamayo,　D.　Slonim,　J.　Mesirov,　Q.　Zhu,　S.　Kitareewan,　E.　Dmitrovsky,　E.　S.　Lander,　T.　R.　Golub,　“Interpreting　Patterns　of　Gene　Expression　with　Self-organizing　Maps:　Methods　and　Application　to　Hematopoietic　Differentiation,”　Proceedings　of　the　National　Academy　of　Sciences,　vol.　96,　no.　6,　pp.　2907-2912,　1999.
[60]　S.　M.　Tseng　and　L.　J.　Chen,　“An　Empirical　Study　of　the　Validity　of　Gene　Expression　Clustering,”　Proc.　of　the　International　Conference　on　Mathematics　and　Engineering　Techniques　in　Medicine　and　Biological　Sciences　(METMBS’02),　2002.
[61]　K.　Wagstaff　and　C.　Cardie,　“Clustering　with　instance-level　constraints.”　Proc.　of　the　Seventeenth　International　Conference　on　Machine　Learning　(ICML　2000),　pp.　1103-1110,　2000.
[62]　K.　Wagstaff,　C.　Cardie,　S.　Rogers,　and　S.　Schroedl,　“Constrained　k-Means　clustering　with　background　knowledge.”　Proc.　of　the　Nineteenth　International　Conference　on　Machine　Learning,　pp.　577-584,　2001.
[63]　W.　Wang,　J.　Yang,　and　R.　Muntz,　“STING:　a　statistical　information　grid　approach　to　spatial　data　mining.”　Proc.　23rd　Int.　Conf.　on　Very　Large　Data　Bases　(VLDB),　pp.　186-195,　1997.
[64]　X.　Wen,　S.　Fuhrman,　G.　S.　Michaels,　D.　B.　Carr,　S.　Smith,　J.　L.　Barker,　and　R.　Somogyi,　“Neurobiology　large-scale　temporal　gene　expression　mapping　of　central　nervous　system　development.”　Proc.　Natl　Acad.　Sci.　USA,　vol.　95,　pp.　334-339,　1998.
[65]　C.　W.　Wu,　J.　L.　Chen,　and　J.　H.　Wang,　“Self-organizing　Mountain　Method　for　clustering,”　2001　IEEE　International　Conference　on　Systems,　Man,　and　Cybernetics,　vol.　4,　pp.　2434-2438,　2002.
[66]　R.　R.　Yager　and　D.　P.　Filev,　“Approximate　clustering　via　the　Mountain　Method,”　IEEE　Transactions　on　Systems,　Man,　and　Cybernetics,　vol.　24,　no.　8,　pp.　1279-1284,　1994.
[67]　M.　S.　Yang,　“A　Survey　of　Fuzzy　Clustering,”　Mathematical　and　Computer　Modelling,　vol.　18,　pp.　1-16,　1993.
[68]　M.　S.　Yang　and　K.　L.　Wu,　“A　Similarity-Based　Robust　Clustering　Method,”　IEEE　Transactions　on　Pattern　Analysis　and　Machine　Intelligence,　vol.　26,　no.　4,　pp.　434-448,　2004.
[69]　K.　Y.　Yeung,　D.　R.　Haynor　and　W.　L.　Ruzzo,　“Validating　Clustering　for　Gene　Expression　Data,”　Bioinformatics,　vol.　17,　no.　4,　pp.　309-318,　2001.
[70]　T.　Zhang,　R.　Ramakrishnan　and　M.　Livny,　“BIRCH:　An　Efficient　Data　Clustering　Method　for　Very　Large　Databases,”　Proc.　of　the　1996　ACM　SIGMOD　International　Conf.　on　Management　of　Data,　pp.　103-114,　1996.
[71]　T.　Zhang,　R.　Ramakrishnan,　and　M.　Livny,　“BIRCH:　A　new　data　clustering　algorithm　and　its　applications.”　Data　Mining　and　Knowledge　Discovery,　vol.　1,　no.　2,　pp.　141-182,　1997.