使用自动编码器神经网络检测恶意URL 该存储库包含使用自动编码器神经网络检测恶意URL的代码源。 中提供了有关其工作原理的文章。 要构建和测试模型，可以运行： $ python train_and_test_urls_autoencoder.py 如果您想生成新的丰富数据，可以运行： $ python enrich_urls_data.py

高光谱异常检测： 这是用于高光谱异常检测的matlab代码（LSAD-CR-IDW和LSUNRSORAD算法） 有关此项目的更多信息，请参阅我们的论文： [共同第一作者] 先决条件： Matlab R2018b 其他相关论文： [1]tanh坤，苏增福侯，Dongelei马云，虞陈，钱渡。 [J]。 遥感，2019，11（13）：1578. [第一作者] [2]侯增福，李伟，高连如，张兵，马鹏格和孙俊林。 （2020）[口服] [3]侯增福，李伟，陶然，马鹏哥和石卫华。 中国科学信息科学。 2020年。 我的个人网站： 1.Github网站： ://zephyrhours.github.io/ 2.Personal Websie： ://zephyrhoublog.ml/（此网站将于2021年5月15日停用！） 3，中文CSDN博客： ://blog.csdn

感性 该存储库包含以下论文的PyTorch实现：GANomaly：通过对抗训练进行半监督异常检测 1.目录 2.安装 首先克隆存储库 git clone https://github.com/samet-akcay/ganomaly.git 通过conda创建虚拟环境 conda create -n ganomaly python=3.7 激活虚拟环境。 conda activate ganomaly 安装依赖项。 conda install -c intel mkl_fft pip install --user --requirement requirements.txt 3.实验 要在纸上为MNIST和CIFAR10数据集复制结果，请运行以下命令： # MNIST sh experiments/run_mnist.sh # CIFAR sh experiments/run

基于LSTM的异常检测 假设，应该可以对LSTM进行自动编码，以构建异常检测器。 这证明了这是可能的。 例子 结果表明，如果使用纯无监督的LSTM自动编码器进行训练，则可以检测到具有增加的放大噪声的简单正弦波。 呈现给网络的整个信号[滑动窗口]： 信号近似值（均值）： LSTM检测器的MSE输出： 添加（并捕获）的噪声样本数：

异常检测 硕士项目-工业成像中的异常检测

LOF异常检测代码matlab 异常检测学习资源 （也称为异常检测）是一个令人兴奋但具有挑战性的领域，旨在识别偏离一般数据分布的外围对象。 异常值检测已被证明在许多领域都很重要，例如信用卡欺诈分析、网络入侵检测和机械单元缺陷检测。 该存储库收集： 书籍和学术论文 在线课程和视频 离群数据集 开源和商业图书馆/工具包 重要会议和期刊 更多项目将被添加到存储库中。 请随时通过打开问题报告、提交拉取请求或给我发送电子邮件@() 来建议其他关键资源。 享受阅读！ 顺便说一句，您可能会发现我的有用。 目录 1. 书籍和教程 1.1. 图书 作者：Charu Aggarwal：涵盖大多数异常值分析技术的经典教科书。 异常值检测领域的必读书籍。 作者：Charu Aggarwal 和 Saket Sathe：在异常值分析中进行集成学习的优秀介绍书。 作者：Jiawei Han、Micheline Kamber 和 Jian Pei：第 12 章讨论了许多关键点的异常值检测。 1.2. 教程 教程标题 场地 年 参考 材料 用于异常检测的数据挖掘 公钥簿 2008年 异常值检测技术 ACM SIGKD

自动编码器在脑MR图像中的无监督异常分割：比较研究 该存储库包含我们的论文的代码，该论文是。 如果您使用我们的任何代码，请引用： @article{Baur2020, title = {Autoencoders for Unsupervised Anomaly Segmentation in Brain MR Images: A Comparative Study}, author = {Baur, Christoph and Denner, Stefan and Wiestler, Benedikt and Albarqouni, Shadi and Navab, Nassir}, url = {http://arxiv.org/abs/2004.03271}, year = {2020} } @article{baur2021autoencoders, tit

2.Deep Learning for Anomaly Detection A Review 论文分享（中）.pdf

User Profile Based Anomaly Detection -- Fighting Malicious Insider Threat at Office365

时间序列异常分析matlab代码HMM代码进行异常检测 编写了Matlab代码“ KMeans_MEP_HMML_HMMD.m”，用于通过隐马尔可夫模型和符号时间序列分析使用短长度传感器时间序列进行异常检测，并将其应用于燃烧系统中热声不稳定性（TAI）的低延迟检测。 该代码使用由凯文·墨菲（Kevin Murphy）编写的“用于Matlab的隐马尔可夫模型（HMM）工具箱”，根据许可可免​​费获得。 本软件按“原样”提供，不提供任何形式的明示或暗示担保，包括但不限于对适销性，特定目的的适用性和非侵权性的担保。 无论是由于软件，使用或其他方式产生的，与之有关或与之有关的合同，侵权或其他形式的任何索赔，损害或其他责任，作者或版权所有者概不负责。软件。