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

完整的时间序列分解Excel求解过程

PyOD - 用于异常值检测的Python工具包（也称为异常检测）

异常检测

在色觉异常者的颜色视觉机制研究中，实验前期需要对每个被验者的色觉类型进行检测和分类。采用常用的测验工具假同色图（石原表和标准色觉检查表），色相排列（Farnsworth D-15和Farnsworth-Munsell 100-hue测验）和定量检测工具剑桥色觉测试对7名色觉异常者（三名红色盲，一名红色弱，一名绿色盲，两名绿色弱）进行了测验。通过与色盲检查镜的测验结果相比较，分析了各测验工具在检测和分类中的优缺点。在此基础上，给出了视觉实验前期色觉异常的检测和分类步骤。

异常 异常检测标记工具，专门用于多个时间序列（每个类别一个时间序列）。 Taganomaly是用于为异常检测模型创建标记数据的工具。 它允许贴标机选择一个时间序列上的点，通过查看同一时间范围内其他时间序列的行为，或通过查看创建该时间序列的原始数据（假设时间序列是一个汇总指标，每个时间范围内的事件计数） :red_exclamation_mark: 注意：此工具是作为与的一部分而构建的，并不定期维护。 单击此处使用在Azure上进行部署： 目录 使用应用程式 该应用程序有四个主窗口： 标签窗口 时间序列标签 选定点表视图 查看窗口的原始数据（如果存在） 将此类别与其他类别进行比较 使用Twitter AnomalyDetecti

 社会网络分析是对社会关系结构及其属性加以分析的一套规范和方法。这篇文章旨在研究社会网络的异常检测问题。以社会网络分析技术为基础，在Matlab数据分析环境中利用Wavelab小波分析工具包中的平稳小波对社会网络的异常情况进行动态检测。首先归纳了平均通信量这一社会网络数据特征，搜集一组需要的真实数据，然后对数据进行平稳小波分解，并且运用梯度加权方法对分解结果进行了相应的处理，最终得到了较为理想的实验结果。

针对高光谱图像空间分辨率不足导致异常检测虚警率过高的问题，提出了一种利用主成分分析（PCA）和IHS变换融合以降低虚警率的算法。首先对低分辨率高光谱图像进行PCA变换，提取3个主成分；然后对这3个主成分和高分辨率图像分别进行IHS变换，得到各自的强度分量，把高光谱数据的强度分量替换成高分辨率图像的强度分量；再运用IHS变换的可逆性，将新的强度分量与原色度分量和饱和度分量进行IHS逆变换，得到空间信息增强的高光谱图像数据；最后使用KRX算法对空间信息增强的高光谱图像数据进行异常检测。实验结果表明，本文算法的虚警率与KRX算法相比有很大的降低，取得了良好的检测效果。

纽约地区从2014年7月1日到2015年1月31日的出租车需求