异常点检测

统计方法：使用如Z-Score或IQR（四分位距）的方法，根据数据的统计特性标记那些偏离显著的点。

聚类分析：应用如K-Means或DBSCAN等算法，通过将数据分组来识别那些与大多数数据点不相似的点。

分类方法：训练如SVM或决策树等监督学习模型，通过标记正常与异常样本，来检测新的异常点。

密度方法：使用如LOF（局部离群因子），通过计算数据点的局部密度与其邻近的数据点进行比较，识别离群点。

时间序列分析：对于时间序列数据，使用如ARIMA或LSTM等模型，检测时间上的异常模式或突变。

深度学习方法：利用如Autoencoder等深度神经网络，通过重建误差识别异常点。

自编码器法：通过降低数据维度并重建，检测重建误差较大的点作为异常。

图论方法：在一些社交网络或连接性数据中，使用如PageRank变种算法检测异常节点。

光声光谱检测仪：利用光声效应，能够检测材料样品中的异常点，通过光激发引起样品吸收并转化为声信号，实现对异常点的高灵敏度定量分析。

红外热成像仪：通过检测物体表面温度变化来识别异常点，异常点通常会呈现不同的温度分布，因此红外热成像能有效发现这些异常区域。

磁粉探伤仪：适用于检测铁磁材料中表面及近表面区域的异常点，利用磁场使磁粉聚集于异常部位的漏磁场，可以方便地识别异常点。

超声波检测仪：通过超声波波形变化识别材料内部异常点，包括裂缝、空洞等，广泛应用于无损检测领域。

X射线检测仪：利用穿透能力对材料内部进行扫描，发现异常点如裂纹、空隙等，通过影像对比进行异常点识别。

涡流探伤仪：利用涡流效应检测导电材料中的异常点，特别适用于表面及近表面缺陷检测。

激光雷达：用于空间中的异常点检测，通过分析激光反射可精确定位异常点，广泛应用于自动驾驶、地理测绘等领域。

视觉检测系统：借助机器视觉技术，通过图像采集与分析检测物体表面异常点，适用于质量控制与表面缺陷检测。

声发射检测仪：通过捕捉和分析材料在受力时产生的声波信号，识别异常点如裂纹的形成和扩展。