螺钉异常检测图片数据集，这个数据集中有三个文件train、test和gound_truth。训练集有320 (1024x1024)张没有异常的螺钉图片，测试文件有良好，操纵前，刮刮头，刮刮颈，线程边，线程顶，总共160张图片与匹配的groundtruth。

基于机器学习，利用常用异常检测算法（Isolation Forest、CBLOF、KNN）对数据集中的异常数据进行识别及检测。 孤立森林（Isolation Forest）于2008年由西瓜书作者周志华团队提出，凭借其线性的时间复杂度与优秀的准确率被广泛应用于工业界中结构化数据的异常检测。

主题识别+信息提取模型-基于python实现-LDA--LDA主题模型，可以用于社交网络数据分析研究、异常检测、事件检测与演化模型分析、情感分析、链接预测，信息传播等方面的研究

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

模糊集matlab代码支持测量数据说明： 用于组异常检测的一类分类器 概要 论文实验：支持度量数据描述，一种用于组异常检测的一类分类器。 引文： @INPROCEEDINGS{FuzzSim, author={Guevara, J. 和 Hirata, R. 和 Canu, S.}, booktitle={模糊集比较手册 - 理论、算法和应用}, title={使用距离的模糊集相似性-基于模糊集的内核}，年份={2015} } 先决条件 SVM-KM 来自（包含） CVX：来自 MATLAB 2013a 用于实验 R 表示图 代码示例 运行 Matlab 文件 main.m。 这将在 /output 文件夹中生成 *.mat 。 或者，您可以使用 linux 中的 screen 程序，如下所示： screen -d -m matlab -nodisplay -nosplash -r "experimentsGADGMM(1,10,300)" screen -d -m matlab -nodisplay -nosplash -r "experimentsGADGMM(2,10,300)"

本文详细描述了基于Netflow的网络流量异常分析的方法以及原理

使用XGBoost解决机器学习二分类问题，数据集描述的是不同蘑菇的相关特征，如大小、颜色等多维特征，目的是诊断每一种蘑菇是有毒。任务是对蘑菇特征数据进行学习，训练XGBoost二分类模型，然后利用训练好的模型诊断和预测未知的蘑菇样本。程序可扩展应用到故障诊断领域小样本数据的二分类问题或异常检测问题。

异常目标检测在高光谱图像(HSI)处理领域发挥越来越重要的作用。低秩稀疏矩阵分解算法(LRaSMD)可将背景和异常区分开，可以极大地减弱异常目标对背景的污染。基于此，提出一种基于低秩稀疏矩阵分解和稀疏字典表达(LRaSMD-SR)的高光谱异常目标检测算法，通过LRaSMD的方式获取背景集，通过稀疏表达的方式从背景集中构建背景字典模型，最后通过计算重构误差来检测异常点。该算法在模拟和真实数据上都进行了有效性验证，实验结果证明LRaSMD-SR算法具有非常好的异常目标检测性能。

使用 MATLAB 对传感器数据进行基于自动编码器的异常检测 该演示重点介绍了如何使用基于自动编码器的半监督机器学习技术来检测传感器数据中的异常（三缸泵的输出压力）。该演示还展示了如何通过自动代码生成将经过训练的自动编码器部署在嵌入式系统上。自动编码器的优点是可以训练它们用代表正常操作的数据检测异常，即您不需要来自故障的数据。 # 自动编码器基础 自编码器基于神经网络，网络由编码器和解码器两部分组成。编码器将 N 维输入（例如一帧传感器数据）压缩为 x 维代码（其中 x < N），其中包含输入中携带的大部分信息，但数据较少。因此，编码器有点类似于主成

此代码用于测试 Aiger & Talbot 2010 文章“用于无监督表面缺陷检测的仅相位变换”中介绍的算法。