拉依达方法、肖维勒方法、一阶差分法，1. 111 基于统计的异常点检测算法 2. 112 基于距离的异常点检测算法 3. 113 基于密度的异常点检测算法 4. 114 基于深度的异常点检测算法 5. 115 基于偏移的异常点检测算法 6. 116 高维数据的异常点检测算法 7. 121 时间序列相关背景 8. 122 基于离散傅立叶变换的时间序列相似性查找

电气暑期实习内容。pyhon对下载数据进行数据处理，异常点检测，拉格朗日插值。后进行图形绘制。根据设定训练值进行预测，预测准确度达90%。

本文设计了一款人体行为异常监控系统，主要适用人群是老年人，在摄像头固定的情况下，自动检测人体运动轨迹，并与提前设定好的行为库进行匹配，分析判断是否具有异常行为。 在数字图像预处理部分采用了图像二值化，腐蚀与膨胀等几种方法为人体目标的跟踪和检测做准备。为了克服在实际操作中遇到的问题，采用了帧差法和ViBe算法，帧差法即利用帧间变化与当前帧、背景算法来判断它是否大于阈值，并分析视频中序列的运动特性，ViBe算法则是一种背景建模的方法，背景模型是由邻域像素来创建，并对比背景模型、当前输入像素值检测出前景，确定视频中的目标跟踪。在人体行为识别中，运动目标最小长宽比以及连续帧间的加速度来判断人体行为是否

如遇到此问题： 数据库异常：在 sysservers 中找不到服务器 'QPAccountsDBLink'。请执行 sp_addlinkedserver 将该服务器添加到 sysservers。 解决方法：执行以下脚本文件 财富链接.sql 记录链接.sql 平台链接.sql 任务链接.sql 用户链接.sql

通过类的方式实现fins协议，用户只需要在程序中实例化当前类，即可对PLC地址进行读写，类中针对异常做了相当的处理，以此来保证当通信本身异常、读、写异常时不会对用户进程/线程产生不良的影响

PBL项目：质量控制图与异常模式分析。 项目描述  某一作业车间需要连续加工某一批次零件（涡喷发动机涡轮叶片）  该种零件的加工工艺已知 项目要求  按照零件的加工工艺，确定工艺的关键工序，并配置相应的测量设备 到对应的加工机床，从而对零件的关键加工参数进行测量 通过取样法，连续测量多组质量数据，形成质量控制样本  编写计量型质量控制图（如 X  s 、 X  R 控制图），并将采集的样本作 为程序输入，生成控制图曲线  计算工序的工序能力指数，根据控制图曲线的波动情况，建立控制图 的异常模式分析模型，并对异常模式进行分析

VoLTE异常事件无线优化方法.pdf

UiBot异常重试流程文件.zip

针对化工过程风险,提出了一种化工过程异常事件数的预测方法。化工生产过程中由于受到干扰,时常发生异常事件。异常事件如果得不到有效控制将引发生产事故,其发生次数越高表明发生生产事故的概率越大,因此,准确预测化工过程异常事件数有助于提高化工过程的风险管理水平。基于操作班组,采用贝叶斯理论与Vine Copula建立了动态预测模型,实现对化工过程一个轮班内异常事件数的预测。

# 这里我包装了一个异常值处理的代码，可以随便调用。 def outliers_proc(data, col_name, scale=3): """ 用于清洗异常值，默认用 box_plot（scale=3）进行清洗 :param data: 接收 pandas 数据格式 :param col_name: pandas 列名 :param scale: 尺度 :return: """ def box_plot_outliers(data_ser, box_scale): """ 利用箱线图去除异常值