大数据-算法-鲁棒性稀疏表示深度图修复算法.pdf

这项工作提出了一种基于人类视觉系统（HVS）的数字图像水印鲁棒算法。 通过改变变换系数将水印嵌入到倾斜变换域中。 通过在基于 HVS 权重矩阵的选定位置嵌入水印图像，使用所提出的算法的水印图像的可感知性比基于 DCT 的算法 9 有所提高。 所提出的方法是鲁棒的，水印图像可以经受住许多图像攻击，如噪声、位平面去除、裁剪、直方图均衡、旋转和锐化。 结果与基于 DCT 的水印方法进行了比较，发现在水印图像的质量和抵御攻击的能力方面更胜一筹。 用于测试所提出算法的鲁棒性的指标是峰值信噪比（PSNR）和归一化互相关（NCC）。

AREOD 该存储库包含AREOD （用于对象检测的对抗鲁棒性评估）的代码，这是一个Python的库，用于进行对抗性机器学习研究，以正确地对标目标检测中的对抗性鲁棒性。 该存储库仍在开发中，我们使用3种针对对象检测模型的攻击来对逆向鲁棒性进行基准测试。 功能概述： 建立在tensorFlow上，并通过给定的接口支持TensorFlow和Kerasa模型 支持各种威胁模型中的多种攻击 提供现成的预训练基线模型（faster-rcnn-inception-v2-coco，多尺度GTRSB） 为bencmark模型提供方便的工具，并使用printor打印生成的对抗性样本 攻击方法清单 我们使用3种攻击方法生成对抗示例，下面的论文对此进行了介绍 ， ， ，。 稍后，我们使用连接的打印机将对抗性示例打印出来，以提供更高的性能基准。 安装 git clone https://github.c

鲁棒控制 LMI的经典教科书 浙江大学 俞立教授主编

大数据-算法-非线性预测控制的鲁棒性研究.pdf

人工智能-机器学习-船舶舵翼舵鳍翼鳍智能鲁棒控制研究.pdf

大数据-算法-非线性动态系统的稳定性和鲁棒控制理.pdf

安全技术-网络信息-灾难救援物流网络鲁棒性研究.pdf

从某种抽象的意义上来谈鲁棒性本身，而不局限于控制系统的鲁棒性。 首先，鲁棒性是一种性质，它应该与某种事物相关联。如控制系统、矩阵等。因而我们通常所说的控制系统的鲁棒性即是与控制系统相关的某种意义下的抗扰能力。 其次，鲁棒性所言及的对象并不是事物本身，而是事物的某种性质，如控制系统的稳定性、矩阵的可逆性或正定性等等。 因而通常的“控制系统的鲁棒性”这种说法并不确切。是一种很笼统的说法。如若确切地表述，则需指明“某事物的某种性质”的鲁棒性，如控制系统的稳定性的鲁棒性，简称控制系统的稳定鲁棒性；控制系统的某种性能的鲁棒性，简称控制系统的性能鲁棒性。

我们总是假设已经知道了受控对象的模型，但由于实际中存在种种不确定因素，如： 参数变化； 未建模动态特性； 平衡点的变化； 传感器噪声； 不可预测的干扰输入； 所以我们所建立的对象模型只能是实际物理系统的不精确的表示。鲁棒系统设计的目标就是要在模型不精确和存在其他变化因素的条件下，使系统仍能保持预期的性能。如果模型的变化和模型的不精确不影响系统的稳定性和其它动态性能，这样的系统我们称它为鲁棒控制系统。