kdd99的数据。用于无监督异常检测

import numpy as np import pandas as pd import rrcf # Set parameters np.random.seed(0) n = 2010 d = 3 num_trees = 100 tree_size = 256 # Generate data X = np.zeros((n, d)) X[:1000,0] = 5 X[1000:2000,0] = -5 X += 0.01*np.random.randn(*X.shape) # Construct forest forest = [] while len(forest) < num_trees: # Select random subsets of points uniformly from point set ixs = np.random.choice(n, size=(n // tree_size, tree_size), replace=False) # Add sampled trees t

matlab普氏分析代码异常检测学习资源 （也称为“异常检测” ）是一个令人兴奋而又充满挑战的领域，其目的是识别与常规数据分布有偏差的偏远对象。 异常检测已被证明在许多领域至关重要，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 重点会议和期刊 更多项目将添加到存储库中。 请随时通过打开问题报告，提交请求请求或向我发送电子邮件@（）来建议其他关键资源。 享受阅读！ 目录 1.书籍和教程 1.1。 图书 Charu Aggarwal着：涵盖大部分异常值分析技术的经典教科书。 异常检测领域的人们必读。 Charu Aggarwal和Saket Sathe撰写：这是一本出色的入门书，可用于离群分析中的整体学习。 Hanjiawei和Micheline Kamber和Jian Pei撰写：第12章讨论了许多关键点的异常值检测。 1.2。 讲解 教程标题 会场 年 参考 材料 数据挖掘以进行异常检测 PKDD 2008年 离群值检测技术 ACM SIGKDD 2010年 异常检测：教程 ICDM 2011

在工业互联网的环境下，自动有效的异常检测方法对工业系统的安全、稳定生产具有重要的意义。传统的异常检测方法存在需要大量标注样本、不适应高维度时序数据等不足，提出一种基于LSTM自动编码机的工业系统异常检测方法。为克服现有方法依赖标注样本的不足，提出采用自动编码机，通过无监督的方式学习大量正常样本的特征和模式，在此基础上通过对样本进行重构和计算重构误差的方式进行异常检测。其次，为克服现有方法不适应高维度时序数据的不足，提出采用双向LSTM作为编码器，进而挖掘多维时序数据的潜在特征。基于一个真实造纸工业的数据集的实验表明，所提方法在各项指标上都对现有无监督异常检测方法有一定的提升，检测的总体精度达到了93.4%。

光伏系统热成像异常检测数据集（120张+代码），内含无人机航拍光伏电池板红外图像120张，以及matlab代码和相关文献，可学习上手或者自己研究！ 在光伏（PV）系统的使用寿命期间发生的故障可能导致能量损失，系统关闭以及可能的火灾风险。因此，检测异常和故障以控制系统的性能并确保其可靠性至关重要。与基于现场目视检查和/或电气测量设备的传统监测技术相比，无人机和红外热成像的结合显然为更快、更便宜的光伏监测提供了手段。然而，该领域的文献缺乏用于光伏故障检测的自动和可实施的算法，特别是使用原始航空热像仪，具有精确的性能评估。因此，我们的目的是建立一个全自动的在线监测框架。我们提出了一个分析框架，用于在线分析航空热成像的原始视频流。该框架集成了图像处理和统计机器学习技术。

在化工原料、服装、食品原料等的出货检验中，需要检测正常产品的缺陷和杂质。 在以下链接中，我分享了使用 CAE 检测和定位异常的代码，仅使用图像进行训练。 在此演示中，您可以学习如何将变分自动编码器 (VAE) 而非 CAE 应用于此任务。 VAE使用潜在空间上的概率分布，并从该分布中采样以生成新​​数据。 [日本人]以下链接介绍了仅使用正常图像训练 CAE 模型的代码，可以使用深度学习检测和定位与正常图像混合的异常。此演示将向您展示如何应用变分自动编码器。 VAE 使用潜在变量的概率分布和来自该分布的样本来生成新数据。 ■ 使用深度学习 (CAE) 进行异常检测和定位https://jp.mathworks.com/matlabcentral/fileexchange/72444-anomaly-detection-and-localization-using-deep-learn

异常检测工具包（ADTK）异常检测工具包（ADTK）是用于无监督/基于规则的时间序列异常检测的Python软件包。 由于异常的性质在不同情况下会有所不同，因此模型可能无法正常工作异常检测工具包（ADTK）异常检测工具包（ADTK）是用于无监督/基于规则的时间序列异常检测的Python软件包。 由于异常的性质在不同情况下会有所不同，因此模型可能无法普遍适用于所有异常检测问题。 正确选择和组合检测算法（检测器），特征工程方法（变压器）和集成方法（聚合器）是建立有效的异常检测模型的关键。 此套餐提供

【达摩老生出品，必属精品，亲测校正，质量保证】 资源名：MATLAB_人工免疫系统中的反向选择算法_NSA_异常检测方面 资源类型：matlab项目全套源码 源码说明： 全部项目源码都是经过测试校正后百分百成功运行的，如果您下载后不能运行可联系我进行指导或者更换。 适合人群：新手及有一定经验的开发人员

【异常检测入门】使用CNN实现恶意域名检测（TensorFlow）【代码】

MIMII数据集基线（Ver.1.0.3） 此示例代码是MIMII数据集异常检测的基线。 MIMII数据集是用于对工业机器进行调查和检查的故障的可靠数据集。 它包含从四种类型的工业机器产生的声音，即阀门，泵，风扇和滑轨。 每种类型的机器都包含多个单独的产品模型，每种模型的数据都包含正常声音和异常声音。 为了模拟现实情况，记录了各种异常声音。 另外，在多个真实工厂中记录的背景噪音与机器声音混合在一起。 MIMII数据集可以在以下位置下载： ://zenodo.org/record/3384388 如果您使用MIMII数据集，请引用以下任何一篇论文： [1] Harsh Purohit，Ryo Tanabe，Kenji Ichige，Takashi Endo，Yuki Nikaido，Kaori Suefusa和Yohei Kawaguchi，“ MIMII数据集：用于工业机械故障