指数加权检测是一种常用的时间序列分析方法，用于检测序列中的异常点和趋势变化。在指数加权检测中，常用的仪器和工具包括：
1. 指数平滑法：
指数平滑法是一种基于加权平均的时间序列预测方法，通过对历史数据进行加权平均，得出对未来数据的预测结果。常用的指数平滑方法有简单指数平滑法（SES）、霍尔特（Holt）线性趋势法和霍尔特-温特斯（Holt-Winters）季节性方法。
2. ARIMA模型：
ARIMA（Autoregressive Integrated Moving Average）模型是一种常用的时间序列分析方法，可以用于检测序列中的异常点和趋势变化。ARIMA模型由自回归（AR）和移动平均（MA）两部分组成，通过对数据的平稳性检验、自相关性和偏自相关性的分析来选择合适的模型参数。
3. 神经网络模型：
神经网络模型是一种机器学习方法，也可用于时间序列分析和检测。神经网络模型通过构建多层神经元和连接权重，对输入序列进行训练和预测，可以较好地捕捉时间序列中的非线性关系和趋势变化。
4. 总体增强指数测试仪：
总体增强指数测试仪是一种用于检测指数加权效果的仪器。该仪器通过对样本数据进行增强指数处理，观察增强后的数据与原始数据之间的差异，从而判断序列中是否存在异常点或趋势变化。
5. 软件工具：
除了上述的仪器，还可以使用一些统计软件工具进行指数加权检测分析，例如R语言中的stats包、MATLAB中的Time Series工具箱等，这些工具提供了丰富的函数和算法，方便进行时间序列分析和指数加权检测。
