iForest 异常检测代码（Matlab 版本）

异常检测学习资源（也称为“异常检测”）是一个充满挑战但又令人兴奋的领域，识别与常规数据分布有偏差的偏远对象。异常检测在多个领域中至关重要，如信用卡欺诈分析、网络入侵检测和机械单元缺陷检测。该资源库汇集了书籍、学术论文、在线课程和视频、离群数据集以及开源和商业工具包。此外，还涵盖了重要会议和期刊。更多项目将持续添加到该库中。欢迎通过打开问题报告、提交请求或发送电子邮件@（）来建议其他关键资源。愿您享受阅读！

AnomalyDetector 是一个用于 MATLAB 环境的非参数异常检测器，可用于进行 时空异常检测。源代码在 Linux 系统下使用 MATLAB R2009b 进行了测试。此工具不依赖于非标准库，除了用于可视化的 tight_subplot.m 函数外，代码所需的所有文件均在工作目录中。数据集位于“数据”文件夹中，其中包含清理和对齐的传感器数据。 要测试 非参数方法，可在工作目录中键入 nonparametric_approach。 要测试 概率方法，则可通过在工作目录中键入 probabilistic_approach。 无论哪种方法，均可在数秒内获得测试结果。

Matlab实现的C2ST用于视频异常检测，本篇回购包含BMVC2018论文的示例代码。该代码基于指令实现，供研究使用。如果您对我们的实现感兴趣，请引用@inproceedings{liu2018classifier, title={Classifier Two-Sample Test for Video Anomaly Detections}, author={Yusha Liu and Chun-Liang Li and Barnab{\'a}s P{\'o}czos}, booktitle={BMVC}, year={2018}。下载代码包：$ git clone https://github.com/MYusha/Video-Anomaly-Detection。默认路径为Video-Anomaly-Detection/pipeline。要求：此代码适用于Matlab 2017a，并在MacOS笔记本上运行。请先安装Matlab并下载经过训练的VGG模型放在/PrepareData/Ap。

高维数据的异常探测方法由Aggarwal和Yu (SIGMOD’2001)提出。该方法将高维数据集映射到低维子空间，通过评估子空间中数据的稀疏性来识别异常数据。

在数据分析和科学研究中，异常值的检测对保证分析结果的准确性至关重要。MATLAB作为强大的数值计算工具，提供了基于格拉布斯准则的异常值检测代码，用于识别可能存在的异常数据点。格拉布斯准则通过计算数据点的G值与临界值比较，标记可能的异常数据，确保数据处理的可靠性和稳健性。这些代码能够帮助研究人员和工程师快速有效地处理数据集，提高分析的质量。

MATLAB数据处理模型RPCA异常值检测代码的优化版本提供下载。

异常入侵检测技术探究 异常入侵检测，作为网络与信息安全领域的至关重要一环，其主要方法包括： 统计异常检测: 通过建立系统正常行为的统计模型，识别偏离模型的异常行为。 基于特征选择的异常检测: 提取网络流量或系统行为的关键特征，利用特征差异识别异常。 基于贝叶斯推理的异常检测: 利用贝叶斯定理计算事件发生的概率，判断异常出现的可能性。 基于贝叶斯网络的异常检测: 构建网络结构表达变量之间的依赖关系，通过概率推理进行异常检测。 基于模式预测的异常检测: 学习正常行为模式，预测未来行为，将与预测不符的行为判定为异常。 基于神经网络的异常检测: 利用神经网络强大的自学习能力，构建模型识别复杂非线性关系，从而检测异常。 基于贝叶斯聚类的异常检测: 根据数据间的相似性进行聚类，将孤立点或不属于任何簇的数据视为异常。 基于机器学习的异常检测: 利用机器学习算法训练模型，识别异常模式。 基于数据挖掘的异常检测: 从海量数据中挖掘潜在的异常模式，提升检测效率和准确性。

此项目是为工作项目、毕业设计和课程设计而开发的，所有项目源码经过助教老师测试，运行稳定可靠。请下载后首先查阅README.md文件。

pyculiarity 用于时序数据异常检测，能有效识别异常值。