异常检测（GPU 并行加速）
Anomaly Detection — GPU Parallel Acceleration
基于历史分布或模型预测残差识别偏离常态的观测，不依赖固定阈值。
01
定义
基于历史分布或模型预测残差识别偏离常态的观测，不依赖固定阈值。
02
公式与计算
常用：z = (x − μ)/σ，|z| > 3 → 异常
或残差：r = |x − x̂_model|，|r| > k·σ_r
03
适用时机
无明确阈值、或工况多变使固定阈值失效的场景（结构响应、能耗）。 迁移到 GPU（CUDA/OpenCL）时可按站点/时段分块并行，单精度为主、关键环节双精度，吞吐由批大小与内存带宽决定。
04
关键参数
基线分布（μ, σ）或预测模型、窗口、显著性水平；GPU 版本关注批大小、显存占用与 kernel 分支开销，需在 GPU 上复验浮点一致性。
05
注意事项
失效与边界基线必须随季节/工况更新；否则"异常"会退化为"与去年不同"。 GPU 实现适合多站大规模批处理与参数扫描，须与 CPU 参考实现比对误差并固定随机种子保证可复现。
CLOSE
把 异常检测（GPU 并行加速） 用起来
下一步
实际项目如何应用？
场景设计、设备选型与工程实施，见 xmsiyb.cn 行业应用与智能选型中心。
场景设计、设备选型与工程实施，见 xmsiyb.cn 行业应用与智能选型中心。
相关 SIYB 产品
正式参数、方案与商务资料以 xmsiyb.com 官网为准。
需要把技术判断落到项目？
进入行业应用与智能选型中心，获取场景设计、选型与实施参考。