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

微分方程的参数拟合 此程序的功能是 输出变量微分系统 输出变量 微分系统参数 输入变量 若输入已知通过实验设计得出不同输入下的输出值如果我知道微分系统的方程形式但是无法确定微分系统的参数做此程序的目的就是通过输入和输出确定最优化系统参数 这里只是给一个特例若自定义可在此结构下重写方法 需要建立以下文件 userFunction.py 的内容如下 targetFun.py solveODEFun.p

鲁棒性语音识别系统设计与实现-附件资源

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

完整代码，可直接运行

针对传统PID控制系统参数整定过程存在的在线整定困难和控制品质不理想等问题，结合BP神经网络自学习和自适应能力强等特点，提出采用BP神经网络优化PID控制器参数。其次，为了加快BP神经网络学习收敛速度，防止其陷入局部极小点，提出采用粒子群优化算法来优化BP神经网络的连接权值矩阵。最后，给出了PSO-BP算法整定优化PID控制器参数的详细步骤和流程图，并通过一个PID控制系统的仿真实例来验证本文所提算法的有效性。仿真结果证明了本文所提方法在控制品质方面优于其它三种常规整定方法。

基于内模控制原理，给出了一种PID参数整定的新方法

基于总体最小二乘法的迭代学习控制算法的研究

我的学生的另一个演示：PLC 上的 ILC。 包括一个示例性的 CoDeSys 项目。 这是一个硬件在环 (HIL) 模拟。 目标是EATON EC4P-200 Easy Control PLC。 也可以在 XSOFT-CODESYS 中提供的模拟模式下运行程序。 请访问http://www.eaton.eu/Europe/Electrical/ProductsServices/AutomationControl/AutomationControlVisualization/AutomationSoftware/CODESYS/免费获取（演示版）。 还包括等效的 Simulink 模型和纯 m 代码模型。 更多示例请访问http://ufnalski.edu.pl/zne/codesys_examples/ 。