异常检测 and 自编码器（2）

---

前言

  上篇文章介绍了自编码器的原理和作用等知识，以及在异常检测中的作用。同时学习到一句话：自编码器（Auto Encoder）也是一种无监督的数据压缩算法，或者说特征提取算法。所以，其可以用来做异常检测。最近一直在思考第二节要讲些什么，在网上搜寻了一下，发现有的博主讲解了自编码器用于异常检测的代码实现，分析的也很不错，所以在这节给大家推荐一些网址，希望大家有兴趣的可以进行一些学习~

---

一、自编码器用于异常检测的网址推荐

  自编码器在用于异常检测时，常常是和其他方法一起搭配使用的，比如无监督学习等等。自编码器既可以作为处理数据的手段，如前文中说的消除工况波动引起的数据分布变化，也可以利用其机器学习的方法学习编码规律从而判断数据异常。接下来进行一些学习网站的分享~

1、自编码器AutoEncoder解决异常检测问题

  网址：自编码器AutoEncoder解决异常检测问题

  数据集：NASA声学和振动数据库

  判断异常原理：自编码器学习到了“正常数据”的编码格式，所以当一个数据集提供给该自编码器时，它会按照“正常数据”的编码格式去编码和解码。如果解码后的数据集和输入数据集的误差在一定范围内，则表明输入的数据集是“正常的”，否则是“异常的"。

  补充：该网址内嵌自编码器AutoEncoder解决异常检测问题（手把手写代码），很详细。此部分也可以参考网址：自编码器AutoEncoder解决异常检测问题（手把手写代码）

2、基于自编码器的时间序列异常检测算法

  网址：基于自编码器的时间序列异常检测算法

  此文从自编码器的基础内容出发，在时间序列的业务场景下，逐步展开基于自编码器的时间序列表示方法，并且最终讲解了如何应用与时间序列异常检测上。

3、深度学习实现自编码器Autoencoder神经网络异常检测心电图ECG时间序列

  网址：深度学习实现自编码器Autoencoder神经网络异常检测心电图ECG时间序列

  原文链接：PYTHON深度学习实现自编码器AUTOENCODER神经网络异常检测心电图ECG时间序列

  通过训练具有小型中心层的多层神经网络重构高维输入向量，可以将高维数据转换为低维代码。这种神经网络被命名为自编码器_Autoencoder_

  通过本教程，可以学习如何使用自编码器快速检测时间序列异常。

---

总结

  以上就是分享的所有内容，大家如果有好的推荐网址可以进行评论分享~