LSTM异常检测自动编码器 使用LSTM自动编码器检测异常并对稀有事件进行分类。 如此多次，实际上是现实生活中的大多数数据，我们都有不平衡的数据。 数据是我们最感兴趣的事件，很少见，不像正常情况下那么频繁。 例如，在欺诈检测中。 大多数数据是正常情况，无论数据是否已标记，我们都希望检测异常或何时发生欺诈。 处理未标记的数据时，我们通常会使用“异常值检测”方法，例如，基于聚类的局部离群值因子（CBLOF） ，基于直方图的离群值检测（HBOS）等。而标记的数据被视为“分类”问题和分类器，如和。 但是，由于正数据点在数据中很少见，因此该算法发现很难从数据中学到很多东西。 例如，分类器通常最终会在所有情况下都预测为“负”，以实现最佳准确性。 在这里，我们将研究可用于有监督和无监督以及罕见事件分类问题的另一种方法。 长短期记忆自动编码器。

《2018Web traffic anomaly detection using C-LSTM neural networks基于C-LSTM神经网络的Web流量异常检测》和《2019Anomaly Detection Based on ConvolutionalRecurrent Autoencoder for IoT Time Series基于卷积递归自编码器的物联网时间序列异常检测》

异常检测(AD)问题具有重要的意义，近年来引起了许多研究者的关注。因此，在这一研究领域提出的方法数量稳步增加。AD与重要的计算机视觉和图像处理任务(如图像/视频异常、不规则和突发事件检测)密切相关。最近，深度神经网络(DNNs)提供了一组高性能的解决方案，但代价是高昂的计算成本。然而，在前面提出的方法和可应用的实际方法之间有一个明显的差距。

多无人机形成和异常检测中的偏差补偿估计

基于Django Restframework和Spark的异常检测系统，数据库为MySQL、Redis, 消息队列为Celery，分析服务为Spark SQL和Spark Mllib，使用kmeans和随机森林算法对网络服务数据进行分析

MOSFET的异常检测和退化预测

异常检测定义，常见方法总结

异常检测学习的基本分类

本系统为人体异常行为检测系统 本文件夹下共包含12个文件 其中matlab代码文件9个，视频源文件夹1个（内含4个视频），指导视频一个，说明文档一个 其中仅需要打开Main_Test.fig文件，点击运行即可使用

A Deep Neural Network for Unsupervised Anomaly Detection and Diagnosis in Multivariate Time Series Data 一种用于多变量时间序列数据非监督异常检测和诊断的深度神经网络