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

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