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。

2020-Fuzzy information entropy-based adaptive approach for hybrid feature outlier detection-Matlab 代码 模糊粗糙集理论中基于模糊关系的模糊信息熵是一种重要的不确定性度量。然而，模糊信息熵用于混合特征离群点检测的研究尚未见报道。在此基础上，利用具有模糊相似关系的模糊近似空间，构造了一种基于模糊信息熵的混合特征离群点检测方法。首先，采用自适应模糊标准差半径和混合模糊相似度构造模糊近似空间，并在模糊信息熵的基础上定义相对模糊熵;然后，构造了两种度量来描述对象的离群度。最后，集成基于模糊熵的离群因子实现离群检测，设计了相关的基于模糊信息熵的离群检测算法(FIEOD)。将FIEOD算法与公共数据上的主要离群点检测算法进行了比较。实验结果表明，该方法具有较好的有效性和适应性。

基于深度学习的异常检测与定位(MATLABR2019a) 图片异常检测与定位，MATLABR2019a实现基于深度学习的异常检测与定位。

CAN总线脱敏数据集，包含韩国HCLR实验室所用的Car Hacking和Road两个数据集，包含的攻击模式有Fuzzy/Ddos/Spoofing等。可直接拿来做异常检测。基于该数据集的论文有Song, Hyun Min, Jiyoung Woo, and Huy Kang Kim. "In-vehicle network intrusion detection using deep convolutional neural network." Vehicular Communications 21 (2020): 100198.等，Road数据集和Car-hacking类似，但攻击种类更丰富

将bert应用于CAN总线的异常检测，具体的实现为LogBert，一种基于Bert的日志检测算法。资源中包含logbert的论文原文和源码，以及修改后适配了CAN数据的异常检测算法，准确率和召回率可达99%以上，所用数据集为韩国HCLR发布的Car-hacking数据集，包含spoofing/ddos/fuzzying三种攻击形式。本次实现只包含对CAN Id的检测。 可以学习到：BERT的实现，日志检测的流程，以及针对CAN数据集的处理，完整的训练调参过程。

2021异常检测论文ppt

matlab匹配滤波代码比较RX和SSRX算法 该存储库包含我该课程项目的一部分：“图像处理中的选定主题”， 该项目的目的是比较两种用于高光谱图像的异常检测算法-RX算法及其子空间投影变化，即SSRX算法。 虽然这两种算法在数学和逻辑上相似，但将它们应用于实际数据时所获得的不同结果值得研究。 为了进一步检查子空间投影的效果，还使用Chronochrome算法在变化检测任务中对其进行了测试。 回购用法 该项目主要基于实现这两种算法，运行多个实验并执行探索性数据分析。 这些组织在以下文件夹中： ：包含完整的项目报告和演示文稿（适用于那些懒得阅读并想要漂亮图片的人） ：包含主要的.mlx文件（以及那些无法访问MATLAB的文件的tex和pdf版本）和一些.m帮助程序脚本。 使用的数据集 可以在以下位置找到用于该项目的数据： MATLAB的高光谱工具箱（包含有用的运算符，转换和算法）： 免责声明 该项目对PCA公式进行了少许更改。 尽管这可能不会显着影响结果，但值得将来研究之用。 此项目中使用的PCA预测为： 正确的公式是： 建议阅读 Alan P. Schaum和Alan D. Stocke

基于相似度聚类的Android异常检测.pdf