这是可执行的自适应遗忘因子参数辨识代码，希望能够帮到你

控制理论类研究生课程，主要用于模型辨识和组合导航等。

生成对抗神经网络matlab代码神经网络的鲁棒性 团队成员： 里查·辛格 FNU萨钦 注意：由于文件较大，我们无法上传 EMNIST 数据集 emmist-balanced.mat 文件。 这个数据集可以在链接上找到。 如果找不到，请发送电子邮件至 或 。 项目内容： src/main.ipynb：运行 PDF 报告中提到的代码的 Pyhton notebook。 src/emmist-balanced.mat：EMNIST 数据集的 MATLAB 格式（由于大小超过 25 MB，无法上传）。 src/adversarial_examples.py：生成各种对抗样本的脚本。 src/plots.py：绘制各种分析图的脚本。 src/train_network.py：用于训练基本和蒸馏神经网络的脚本。 src/l0_attack.py：为我们的基础设施修改的作者代码。 包含 L-0 攻击。 src/l2_attack.py：为我们的基础设施修改的作者代码。 包含 L-2 攻击。 src/li_attack.py：为我们的基础设施修改的作者代码。 包含 L-Infinity 攻击。 src

适合控制过程中用到的鲁棒性，鲁棒性控制在matlab中的仿真

为了实现启发式优化算法的自适应参数调整， 避免算法陷入局部最优，提高算法的精度为解决参数辨识问题，采用自适应模糊粒子群算法（AFPSO）提出了从自动调整的三个方面对基本算法进行改进的建议参数，种群拓扑和突变特征。

《Machining Dynamics—Frequency Response to Improved Productivity》 经典车削和铣削力建模原理，方法，参数辨识和加工颤振等。

论对抗性的稳健性 该存储库包含有关的论文的LaTeX源。 这篇文章旨在帮助所有人-从设计自己的神经网络的人到审查国防论文的人，到只是想知道国防评估中要考虑的那些人-了解有关评估对抗性鲁棒性的方法的更多信息。 这是一份生活文件 我们不希望这成为传统论文，它只写一次就从未更新过。 虽然如何评估对抗性鲁棒性的基本原理不会改变，但是我们今天提供的有关评估对抗性鲁棒性的大多数具体建议可能很快就会过时。 因此，我们希望不时更新本文档，以便与研究界当前接受的最佳实践相匹配。 抽象的 事实证明，正确评估针对对抗性示例的防御措施非常困难。 尽管最近有大量工作试图设计能够抵抗自适应攻击的防御措施，但很少成功。 大多数提出辩护的论文很快就会被证明是不正确的。 我们认为，一个重要的因素是执行安全评估的难度。 在本文中，我们讨论了方法论的基础，回顾了公认的最佳实践，并提出了评估对抗性例子的防御措施的新方法。 我们

传统最小二乘对粗差比较敏感，在有粗差系统中计算很容易失败，而Huber方法给出了较为稳健的计算结果

针对永磁直线同步电机(PMLSM)伺服控制系统易受参数变化、外部扰动、非线性摩擦力等不确定性因素的影响,采用了一种自适应非线性滑模控制(ANLSMC)方案.首先,建立了含有不确定性因素的PMLSM动态方程,然后,通过速度作为状态变量的非线性函数和广义滑模面相结合,设计了非线性滑模面,这样不仅提高了系统的响应速度,而且增强了系统的鲁棒性.通过自适应控制在线调整趋近律中的控制增益来调节系统状态轨迹到达滑模面的趋近速度,削弱了抖振现象,同时减少了系统跟踪误差,进而提高系统的控制精度.最后,实验结果表明所采用的控制方案有效可行,与滑模控制(SMC)和非线性滑模控制(NLSMC)相比,ANLSMC不仅提

基于递推最小二乘法的参数辨识程序.doc MATLAB