视频中的异常检测是一个研究了十多年的问题。这一领域因其广泛的适用性而引起了研究者的兴趣。正因为如此，多年来出现了一系列广泛的方法，这些方法从基于统计的方法到基于机器学习的方法。

霍特林 地位 关于 Hotelling 实施了一个和两个样本 Hotelling T^2（T 平方）测试。 它还实现了 Hotelling Control Charts (Multivariate) 和多个 Univariate Control Charts 自由软件：MIT 许可证 文档： : 。 tests/data额外tests/data 特征 统计模块涵盖hotelling t^2（t平方）统计、f值和p值 覆盖单变量控制图和霍特林控制图的绘图模块 使用可选的dask （和distributed ）模块，可以有效地处理大型数据集 使用可选的plotly模块，提供交互式图表： 为了使其正常工作，您必须安装plotly 0.5 或更高版本。 这可以从 pypi 或通过 conda 的 plotly 通道获得： conda install plotly -c plotly 学分

RecAE 循环自动编码器，用于时间序列异常检测

异常检测 使用自动编码器的单变量时间序列异常检测教程 自动编码器在德累斯顿的杜托·阿诺玛利检测站

SDAD 流数据-异常检测

支持向量数据描述SVDD：使用支持向量数据描述（SVDD）进行异常检测或故障检测的MATLAB代码

基于递归神经网络的自动编码器 PyTorch实现， 目录： 项目结构： 项目结构基于以下 ├── agents | └── rnn_autoencoder.py # the main training agent for the recurrent NN-based AE ├── graphs | └── models | | └── recurrent_autoencoder.py # recurrent NN-based AE model definition | └── losses | | └── MAELoss.py # contains the Mean Absolute Error (MAE) loss | | └── MSELoss.py # contains the Mean Squared Error (MSE) loss ├── datasets

AI前线导读：Flink已经渐渐成为实时计算引擎的首选之一，从简单的实时 ETL到复杂的CEP场景，Flink都能够很好地驾驭。本文整理自携程实时计算负责人潘国庆在 QCon全球软件开发大会(北京站)2019的演讲，他介绍了携程如何基于Flink与TensorFlow 构建实时智能异常检测平台，以解决规则告警系统准确率低、时效性低、规则配置复杂与耗费人力等诸多问题，实现了业务指标毫秒级延迟与智能

一类神经网络 用于非线性异常检测的一类神经网络的简化Keras实现。 该实现基于此处描述的方法： : 。 我包括了ODDS（ ）的几个数据集。 设置 pipenv install . 应该配置一个python环境并在该环境中安装所有必需的依赖项。 跑步 在新的python环境中（通过CLI或IDE）运行python driver.py应该开始进行50个纪元的培训，并生成一些输出图。 测验 在test/test_basic.py中定义了两个单元测试：构建模型，以及基于本文示例的分位数损失测试： 执行pytest test以运行。 结果 HTTP数据集 失利 特征 局限性 使演示脚本更加灵活 添加更多的单元测试

用以制作中文的英文版，完整目录，对照阅读 Author(s): Charu C. Aggarwal Publisher: Springer, Year: 2016 ISBN: 3319475770,9783319475776