RSM-GAN: A Convolutional Recurrent GAN for Anomaly Detection in Contaminated Seasonal Multivariate Time Series

是第一篇、第二篇论文的PPT，打开可以看到动画版的，可能更直观一些。 《一种硬盘故障预测的非监督对抗学习方法》和《Lifelong Disk Failure Prediction via GAN-based Anomaly Detection》

针对LANDSAT-5 TM多光谱图像存在散粒噪声问题,提出一种基于异常探测和光谱归一化处理来检测及去除噪声的算法。视散粒噪声为强光谱异常,基于RX算子探测像元异常,根据异常分布统计特征确定含散粒噪声的像元;再以含散粒噪声的像元为中心,利用邻域内像元各分量上的光谱归一化分值,确定散粒噪声所在波段。利用邻域内具有最相似光谱的像元对应分量替换散粒噪声所在的像元分量。实验表明,该算法能够有效去除TM图像中的散粒噪声。

RNN时间序列异常检测 在Pytorch中实现的基于RNN的时间序列异常检测器模型。 这是基于RNN的时间序列异常检测器的一种实现，它由时间序列预测和异常分数计算的两阶段策略组成。 要求 Ubuntu 16.04+（在Windows 10上报告了错误。请参阅。欢迎提出建议。） Python 3.5+ 火炬0.4.0+ 脾气暴躁的 Matplotlib Scikit学习 数据集 1.纽约市出租车乘客人数 提供的纽约市出租车乘客数据流 Cui，Yuwei等人进行了预处理（以30分钟为间隔汇总）。 在中 ， 2.心电图（ECG） ECG数据集包含对应于心室前收缩的单个异常 3. 2D手势（视频监控） 视频中手势的XY坐标 4.呼吸 一个病人的呼吸（通过胸廓扩展测量，采样率10Hz） 5.航天飞机 航天飞机Marotta阀的时间序列 6.电力需求 荷兰研究机构一年的电力需求 时

此预测性维护示例根据来自工业机器的正常操作数据训练深度学习自动编码器。 该示例演练： -使用Diagnostic Feature Designer应用程序从工业振动时间序列数据中提取相关特征- 设置和训练基于 LSTM 的自动编码器来检测异常行为- 评估结果 设置： 该演示是作为 MATLAB:registered: 项目实现的，需要您打开该项目才能运行它。 该项目将管理您需要的所有路径和快捷方式。 跑步： - 打开 MATLAB 项目 AnomalyDetection.prj - 运行第 1 部分 - 数据准备和特征提取- 运行第 2 部分 - 建模

为了解决传统网络管理方法不能适应网络复杂性、不能准确刻画网络异常行为的问题.采用一种基于时间特征的网络流量异常检测模型,研究分析网络流量的变化规律.利用指数平滑预测算法对未来网络流量进行预测,利用中心极限定理并结合实际经验确定动态的网络流量阈值,对当前和未来的网络流量异常进行检测.研究结果表明:当网络流量发生异常时,该模型能够进行有效的检测,能准确地描述网络的运行状况.该算法提高了网络流量检测的智能性,具有较高的实用价值.

我自己设计的完美运行 RGB = imread('待测轮胎.jpg'); I = rgb2gray(RGB); % convert to intensity I1 = I(1:313,1:50); I2 = imrotate(I1, 90); %翻转90度 figure(10),imshow(I2); imwrite(I2,'C:\Users\邓\Desktop\视频信号处理\luntai\模板.jpg');

一款基于机器学习的Web日志统计分析与异常检测命令行工具 · · analog 是一款命令行下的Web日志审计工具，旨在帮助使用者能够在终端上快速得进行Web日志审计和排查，包含了日志审计、统计的终端图形化和机器学习识别恶意请求的功能。 完整项目文档： 特征提取、模型选取、参数优化等相关问题讨论: 目录 恶意请求分析 Installation Configuration Prepare For Abnormal Detection About TODO Reference Presentation 访问量统计 analog> show statistics requests current day 日志审查 analog> show log of current month IP、请求等统计 analog> show statistic

管网水质多指标动态关联异常检测方法

日志信息是信息系统快速发展中产生的重要信息资源，通过日志的分析，可以进行异常检测、故障诊断和性能诊断等。研究基于日志的异常检测技术，首先对主要使用的基于日志的异常检测框架进行介绍，然后对日志解析、日志异常检测等关键技术进行详细介绍。最后对当前技术进行总结，并对未来研究方向给出建议。