骇客深度学习：使用TensorFlow 2和Keras和Python的机器学习教程（包括Jupyter笔记本）-（LSTM，超电流表调整，数据预处理，偏差方差折衷，异常检测，自动编码器，时间序列预测，对象检测，情感分析，使用BERT进行意图识别）

hsi matlab代码HSI检测 基于DM-BDL的高光谱目标检测的Matlab代码

肌肉骨骼X光片异常分类器 实验 网络 准确性（遇到） 精度（遇到） 召回（遇到） F1（遇到） 河童（相遇） DenseNet169（基准） .83（.84） .82（.82） .87（.90） .84（.86） .65（.65） 移动网 .81（.83） .80（.82） .85（.89） .82（.85） .62（.62） NASNetMobile .82（.83） .78（.80） .89（.92） .83（.86） .63（.63） 此外，pytorch中的ResNet50也获得了等效的结果。 数据集 @misc{1712.06957, Author = {Pranav Rajpurkar and Jeremy Irvin and Aarti Bagul and Daisy Ding and Tony Duan and Hershel M

交易数据异常检测--creditcard.zip

1、pyqt5 设计界面 2、实现音频数据采集、单次检测、连续检测三大功能，并能保存相关音频数据

异常检测是一个重要的问题，已经在不同的研究领域和应用领域得到了很好的研究。本研究的目的有两个方面：一是对基于深度学习的异常检测方法进行了系统、全面的综述。此外，我们还回顾了这些方法在不同应用领域中的应用，并评估了它们的有效性。我们根据所采用的基本假设和方法，将最新的深度异常检测技术分为不同的类别。在每个类别中，我们概述了基本的异常检测技术及其变体，并提出了区分正常行为和异常行为的关键假设。此外，对于每一类，我们还介绍了这些技术的优点和局限性，并讨论了这些技术在实际应用领域中的计算复杂性。最后，我们概述了研究中存在的问题和在实际问题中采用深度异常检测技术所面临的挑战。

如何利用Jeff Hawkins的HTM神经网络模型进行异常检测。

AnomalyFilter 本项目应用孤立森林异常检测算法，过滤JMeter 在对Splunk 数据库进行压力测试过程中产生的异常性能数据。 背景 在压力测试和性能分析过程中，通常有两种情形会导致测试结果不准确： 一是由于JMeter 和LoadRunner 等工具在启动多线程是有一个爬坡过程，通常需要1-10秒钟左右，这个时间也不会很长。但在这个过程由于线程数量不定，导致了测试数据的可靠性降低。 二是由于现实测试中通常会存在网络异常的情形，极少量的异常值会大大影响对被测对象的性能评估。 在上述场景中，异常的数据与整个测试数据样本相比是很少的一部分，常见的分类算法例如：SVM、逻辑回归等都不合适。而孤立森林算法恰好非常适合上述场景，首先测试数据具备一定的连续性，其次异常数据具备显着的离群特征，最后异常数据的产生是小概率事件，因此，孤立森林算法在网络安全、交易欺诈、疾病监测等方面也有着广泛的

2021年KPI异常检测的参赛报告及源码

多变量 时间序列 降维 模式 异常 多变量时间序列的降维_模式匹配与异常检测