贝叶斯鲁棒隐马尔可夫模型 (BRHMM) 是一种用于分割序列多变量数据的概率模型。 该模型将数据解释为由一系列隐藏状态生成。 每个状态都是重尾分布的有限混合，具有特定于状态的混合比例和共享位置/分散参数。 该模型中的所有参数都配备有共轭先验分布，并使用与期望最大化实质相似的变分贝叶斯（vB）推理算法进行学习。 该算法对异常值具有鲁棒性并接受缺失值。 此提交包括一个测试函数，该函数生成一组合成数据并从这些数据中学习模型。 测试函数还绘制根据模型分割的数据，以及每次 vB 迭代后数据对数似然的变分下界。 如果您发现此提交对您的研究/工作有用，请引用我的 MathWorks 社区资料。 如果您有任何技术或应用相关问题，请随时直接与我联系。 指示： 下载此提交后，解压缩 MatLab 工作目录中的压缩文件并运行测试函数 (TestBRHMM.m) 进行演示。

针对传统核相关滤波器（KCF）跟踪算法受光照变化、严重遮挡和出视野等因素影响，出现目标丢失现象时，跟踪器会将背景信息作为目标继续进行跟踪而不能重新定位目标的问题，在KCF的基础上，引入异常值检测方法作为目标丢失预警机制，同时，提出了目标丢失重检测定位机制。方法对每帧的峰值进行检测，发现异常峰值，则判定目标丢失或即将丢失，预警机制发出警告，停止目标模板更新，启动目标丢失重检测定位机制，在全帧搜索定位目标。实验结果表明，改进的算法精确度为0.751，成功率为0.579，较之传统KCF跟踪算法分别提高了5.77%和12.43%。解决KCF跟踪器在目标丢失后不能重新找回目标继续跟踪的问题，提升了跟踪算法的性能，实现了长期跟踪。

今天小编就为大家分享一篇Python实现非正太分布的异常值检测方式，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

给定数据点的列向量 X，此函数创建两个向量，一个包含非异常值 Y，另一个包含异常值 out。 用户可以选择两种不同的方法之一，Grubbs的检验统计量或四分位间距法。 用户还可以选择去除异常值时的严格程度。 在这两种方法中，严格程度与参数 alpha 呈负相关（即 alpha 越高，识别和删除的异常值越少）。

引言   数据预处理时，异常值的存在可能对最终建立的模型的精度和泛化能力有较大的影响。检测异常值的方式有很多，最基本的两种方法为 z 分数法和上下截断点法。 对 z 分数法还存在些许疑虑的可查看如下博文 统计学： Z 分数 & 正态分布 (附 Python 实现代码) –Z 检验先修; Z 分数与正态分布两者关系; Z 分数与百分位数的异同；面试要点（以心理学实验为舟）   本文针对这两种方法，构造自写库，最终实现函数的快捷调用，在很大程度上提高了数据预处理的效率。 效果展示(Jupyter notebook) 一行代码快速绘图查看房价分布情况 如何一步到位的画出复杂精美的图片可以参考

识别异常值所在的单元块（找到异常值） 去除异常值前后的比较箱线图，叠加之前和之后的直方图，去除后的箱线图和转向直方图。 还可以找到去除异常值之前和之后的平均值。 无删减数据集发生。

首先我们简单地区分一下离群点（outlier）以及异常值（anomaly）： 离群点： 异常值： 个人觉着异常值和离群点是两个不同的概念，当然大家在数据预处理时对于这两个概念不做细致的区分，不如：姚明站在我们中间的时候，我觉着我们只能说他是一个离群点，我们能说他异常吗？异常的假设是姚明得了巨人症，可是他不是。 箱型图 代码块 餐饮销售数据离群点检测代码： #-*- coding: utf-8 -*- import pandas as pd catering_sale = '../data/catering_sale.xls' #餐饮数据 data = pd.read_excel(ca

总结了异常值检测的相关课程视频、书籍、论文、数据集以及工具库

这是一个基于 Jae-Gil Lee 在公开提供的代码的轨迹异常值检测库。 这段代码执行的算法来自一篇题为“Trajectory Outlier Detection: A Partition-and-Detect framework”的论文，可以在找到。 main.cpp 中提供了使用该库的示例代码，可以使用命令“make”进行编译。 需要 C++11 兼容编译器和 gnuplot。 有关更多详细信息，请参阅。

该函数接受一个向量或矩阵，并使用 Thopson's Tau 方法检测向量/矩阵中的离群值，该方法基于每个记录与整个向量/矩阵的平均值的绝对偏差，并用 NaN 填充离群值返回的输出。 输入向量 (m) 或矩阵 (m*n) 中的记录数与输入向量/矩阵的标准偏差 (std) 相对应的 Thompson Tau 值的大小是决定是否有任何记录在离群值。 去除每个异常值后，再次计算平均值、标准差和汤普森 Tau (tau*std) 的大小。 如果输入是矩阵，它将在检测异常值之前转换为向量，但是，输出将是一个与输入具有相同 m*n 维的矩阵。 异常值的索引也将被返回，如果输入是一个向量，索引向量也将是一个向量，但是，如果输入是一个矩阵，异常值索引将在显示 i,j 的两列矩阵中返回异常值的索引（见下面的例子）。 --输入： X0：包含异常值的输入向量或矩阵num_outliers: 应该从输入向量/矩