简介：摘要：异常存在于各个领域，比正常携带的信息更多也更为重要，这些信息可能是灾难性后果的预警或者标志，及时检测出异常尤为重要。随着信息技术和网络技术的发展，数据集变得更加庞大，结构更加复杂，空间维度更高。这些问题导致异常检测的难度越来越大，同时也会带来召回率跟精确率下降的问题。
简介：摘要：无监督算法只处理“特征”，不操作监督信号。监督和无监督算法之间的区别没有规范，严格的定义，因为没有客观的判断来区分监督者提供的值是特征还是目标。通俗地说，无监督学习是指从不需要人为注释样本的分布中抽取信息的大多数尝试。该术语通常与密度估计相关，学习从分布中采样，学习从分布中去噪，需要数据分布的流形，或是将数据中相关的样本聚类。
简介：摘要：图像传感器具有一定抗干扰能力，具有较强的鲁棒性，尤其像偏振传感器、红外传感器等，提高了物体信息提取与提取的成功率。图像传感器对当前生活中图像数据采集提供了很多的便利，其不仅能够对一些目标的表面和几何形状进行检测，还能够对目标的物理性质进行检测，灵敏度高。但在图像传感器数据采集过程中，难免受到多种因素干扰，如：到主点位置与理想位置偏移情况、镜头畸变、大气流动等因素，导致成像结果出现误差。
数据分析中的异常检测算法研究及其应用
无监督学习算法在异常检测中的应用研究
基于深度学习的图像分类与识别算法优化研究
