通过快速和可定制的对抗性数据生成提高深度学习系统的鲁棒性 如有任何疑问，请通过电子邮件联系： 。 代码概述 该代码包含七个子项目。 我们研究了三个自定义损失函数（LRP，NCE，可疑性），并在MNIST和CIFAR数据集上进行了实验。 由于DGN架构因使用的数据集而异，因此我们决定将项目分成子项目以避免复杂性。 对于每个自定义损失，我们有两个子项目，分别是RobustMNIST和RobustCIFAR。 因此，我们有六个与基于CAE的对抗性数据生成相关的子项目。 一个子项目用于使用IBM Robustness Toolbox生成FGSM和PGD攻击数据以及FGSM，PGD对抗训练。 六个基于CAE的对抗性数据生成项目中的每个项目都具有相同的Python脚本。 CustomLosses.py ：包含自定义损失函数，该函数将用作DGN模型的损失函数 train.py ：训练DGN模型并将

关于傅里叶变换与系统的频域分析的说明ppt

为了能够通过拟合介电谱的方式获得绝缘材料的绝缘状态，在Cole-Cole模型下提出了基于两步优化的绝缘材料介电谱特征参数辨识方法。根据绝缘材料的普适弛豫定律，推导形成了一套较为完整的Cole-Cole模型初值获取方法；采用与拟合误差情况更匹配的目标函数，提出基于全局搜索与局部搜索相结合的两步优化对各特征参数进行优化计算，有效地解决了传统辨识方法容易陷入局部极小点甚至发散的问题。运用3种典型的介电谱特征参数辨识方法和所提方法，对数值产生和实测的介电谱进行计算，验证了所提方法的优越性。实验测量了低密度聚乙烯(LDPE)样本直流加压注入空间电荷后的介电谱，运用所提方法辨识不同去极化时刻LDPE介电谱的特征参数。结果表明：不同去极化时间下，通过所提方法均能较好地逼近实测介电谱，且随着频率的升高，复介电常数的实部、虚部的减小速度存在下降的趋势。

鲁棒性语音识别系统设计与实现-附件资源

信号与系统的离散频域分析（DFT） 一、实验目的： 1、掌握离散时间系统的DFT的MATLAB实现； 2、熟悉DTFT和DFT之间的关系。 3、了解信号不同变形的DFT与原信号DFT之间的关系

AdverTorch - 基于PyTorch的对抗鲁棒性研究工具箱

本代码基于pytorch实现，复现ICCV 2019论文 Robust Loss Functions under Label Noise for Deep Neural Networks，论文地址https://arxiv.org/abs/1712.09482v1

锂电池参数辨识方法，精度高，可用与嵌入式代码生成，可以使用simulink进行仿真验证

阶次已知的线性系统差分方程模型的参数辨识；阶次未知的线性系统差分方程模型的参数辨识的MATLAN程序＋仿真图片

针对同步发电机模型参数中多个不可观测量的存在使得需要求解复杂的微分方程组对电机参数进行辨识，进而导致了辨识困难，提出了一种完全由可观测量表示的同步发电机辨识模型，即状态量均为由发电机出口电流、励磁电压、励磁电流以及功角，转速变量增量表示的可量测量，并基于该模型提出用直接积分最小二乘原理（DILS）来辨识发电机参数.这样既避免了复杂微分方程的求解过程，简化了参数辨识方法，又提高了辨识效率.辨识后，利用MATLAB进行算例仿真，通过实测曲线和辨识曲线的拟合表明了所采用的辨识模型与算法是正确、有效的.