本文对基于深度学习的异常检测的研究方法进行了系统全面的综述。此外，还回顾了这些方法对不同应用领域异常的应用，并评估了它们的有效性。

Deep Learning for Anomaly Detection A Review.pdf

异常探测类算法分享的代码比较少，下面是笔者自己编写的Global RX探测算法，研究高光谱影像异常探测的童靴么可以将其作为对比实验使用，也可用于科研入门练手！

计算机视觉Github开源论文

异常检测-KDD99-CNNLSTM 这是一个使用三个模型开发的项目，用于对KDD99数据集上的倾斜数据包进行分类。 使用了三层：KNN，CNN + LSTM和随机森林分类器。 该项目是一个基于研究的项目，与单独使用任何给定模型相比，该模型在性能上均略有提高。 KDD'99数据集按原样使用，并且已作为项目源的一部分进行了预处理。 最终精度为0.97833。 单个模型的个体精度为： KNN：0.976835 CNN + LSTM：0.9667878 随机森林：0.96381378 主要思想是在相同的数据上训练3个不同的分类器模型。 然后，我们将所有这些模型用作单个整体学习模型（或中间的某个位置的投票分类器）。 系统中有2个主要层： 第一层具有KNN和CNN + LSTM。 他们一起工作，并提供2种不同的输出。 第二层具有随机森林分类器，以对来自上一层的所有冲突实例进行分类。

Time_Series_Anomaly_Detection：使用带有LSTM单元和自动编码器的RNN检测时间序列中异常数据点的案例研究

2019-2区-Unsupervised Anomaly Detection Based on Minimum Spanning Tree Approximated Distance Measures and Its Application to Hydropower Turbines

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

下面是笔者自己用matlab自己编写的局部RX探测算法代码，分享给高光谱异常探测方向的研究僧童鞋门！

Long Short Term Memory Networks for Anomaly Detection in Time Series - LSTM在时序数据中的应用