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

matlab度中心性代码

适合控制过程中用到的鲁棒性，鲁棒性控制在matlab中的仿真

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

InfoDrop 代码对我们的报纸由 ， ，，，，，ICML2020。 此仓库包含以下代码 域泛化 少拍分类

鲁棒与最优控制（电子书） 学习鲁棒控制和最优控制的最佳电子书

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

matlab卡方分发函数代码数字记录仪 该项目有助于实施 Henry Lam 教授的论文“通过基于经验分歧的分布稳健优化恢复最佳统计保证”。 代码是用MATLAB编写的。 主要函数是 multifunction.m，它处理不同的情况： KaFlag 用于在 DOF 为 1、k-1 和 q_n 的卡方中进行选择。 离散用于在离散情况和连续情况之间进行选择。 SampleSize 是 n，可以是 20,30，依此类推。 前提是你必须下载MATLAB和Mathematica，这就是为什么我们有下面的dll文件和lib文件。 mathrun.h、ml64i3.dll、ml64i3m.lib、math.c 和 math.mexw64。 为了运行 second_dev_cov_int 函数，请按照说明进行操作并知道如何在 MATLAB 中调用 Mathematica。

去噪声代码matlab python中具有Huber准则的稀疏鲁棒线性回归 此代码说明了将Huber准则用于各种任务的说明。 它包含一个与本文相关的工具箱： Block-wise Minimization-Majorization Algorithm for Huber's Criterion: Sparse Learning and Applications, Esa Ollila and Ammar Mian Submitted to MLSP 2020 conference. 它还有助于提高论文中提出的结果的可重复性。 它提供了matlab和python代码。 警告：Python版本仍在调试中，虽然不如matlab可信，但仍在开发中。 本文的结果是使用matlab版本获得的。 文件的组织 该存储库被分解为两个子目录： matlab /，其中包含matlab代码。 要重现本文介绍的结果，请运行： Simulation_1_Regression_example.m Simulation_1_Image_denoising_example.m python /，其中包含python代码