聚类分析是一种无监督的机器学习方法,可以在没有规则库的情况下,通过未标识数据集建立异常检测模型,因此在异常检测领域占有重要地位。模糊c-均值聚类算法_处(fuzzy C-means,_处FCM)通过对目标集的模糊划分实现更有效的聚类。针对FCM算法的初始值过度依赖问题,本文通过对花朵授粉算法加入了自适应机制和柯西变异机制,实现FCM初始聚类中心的优化选取。基于花朵授粉的聚类异常检测方法提高了检测率并降低了误报率。传统花朵授粉算法(Flower pollination algorithm,FPA)中存在切换概率值固定不变且花朵个体进化盲目易造成寻优精度低的问题,本文对切换概率加入了自适应机制使其可以随着迭代次数动态改变,对花朵个体进入一次迭代前加入柯西变异机制。改进后的算法寻优精度高,更适于聚类异常检测中。提出了基于改进花朵授粉算法聚类异常检测算法。将改进花朵授粉算法应用于FCM中,利用得到的最优解进行FCM聚类分析,从而解决FCM对初始值敏感和过渡依赖初始值的问题。同时,将FCM算法中欧式距离替换成了马氏距离,解决了FCM算法无法处理高维数据的问题。实验结果表明,改进后的算法在异常检测中提高了检测率、降低了误报率。同时解决了FCM对初始值过度依赖的缺陷。