异常结构检测

统计检测法：

通过对数据进行统计分析，确定正常数据的分布范围，然后检测超出这一范围的异常数据。例如，通过计算均值和标准差来识别异常点。

机器学习检测法：

使用监督或无监督的机器学习算法来识别异常模式。常见方法包括决策树、随机森林、支持向量机和神经网络等。

聚类分析法：

将数据分为多个簇，检测那些与簇中心距离较远的点作为异常。常用的方法有K-means和DBSCAN。

基于规则的方法：

预先定义一组规则，通过规则判断数据是否异常。这种方法依赖领域知识来设定规则。

时间序列分析法：

针对时间序列数据，通过检测数据点的偏离程度来识别异常。方法包括自回归模型（AR）、滑动平均模型（MA）等。

图论方法：

通过构建数据点之间的图结构来检测异常节点，找出那些少量连接或不寻常连接的节点。方法包括PageRank变体和社区检测等。

**X射线检测仪**：用于穿透材料获取内部结构的信息，通过X射线成像技术来识别和分析材料内部的异常结构，如裂缝、空洞或杂质。

**超声波检测仪**：利用高频声波穿透被检物体，声波遇到异常结构时会产生反射，接收器分析这些反射波来确定内部缺陷。

**红外热像仪**：检测物体表面温度分布，通过分析异常的热特征来识别内部结构缺陷，例如绝缘失效或材料疲劳等。

**涡流检测仪**：通过在导电材料表面产生涡流来检测其内部异常结构，常用于检测金属表面的裂纹和腐蚀。

**核磁共振（NMR）检测仪**：利用磁场和射频波对材料内部的原子核进行成像，识别分子结构和变化，以检测异常的分子或原子排列。

**激光干涉仪**：通过测量光波的干涉来检测表面和内部异常，适用于高精度检测微小尺寸的结构变化。