针对常规输出反馈特征结构配置方法不能完全保证闭环系统稳定性的问题, 提出一种改进的输出反馈特征结构配置方法. 该改进的算法通过引入二次型性能指标, 将闭环系统的稳定性问题转化为线性二次型最优控制问题,从而保证闭环系统的稳定性; 考虑到采用特征结构配置方法所设计的闭环系统鲁棒性不强, 给出保证系统鲁棒性的条件, 以解决系统鲁棒性问题. 最后, 通过在飞翼飞机上的仿真结果验证了所提出算法的有效性.

该程序用于计算相关论文中的模拟数据和理论值数据。 计算不同的多网络在没有/有节点保护策略时的攻击/恢复鲁棒，计算了ncf和nccf的理论曲线 当多路网络发生节点损坏时，耦合的节点关系会触发ncf，而共同体结构中的节点故障会进一步导致共同体故障。

健壮性包 通过安装pip ： pip install robustness 阅读文档： : robustness是我们（在中的）创建的一个软件包，用于灵活，轻松地进行训练，评估和探索神经网络。 我们几乎在我们所有的项目中都使用了它（无论它们是否涉及对抗训练！），并且它将成为我们即将发布的许多代码版本中的依赖项。 使用该库的一些项目包括： （ ） （ ） （ ） （ ） 我们将在一组演练和我们的API参考中演示如何使用该库。 该库提供的功能包括： 使用针对各种数据集/体系结构训练和评估标准模型和健壮模型。 该库还提供添加和。 python -m robustness.main --dataset cifar --data /path/to/cifar \ --adv-train 0 --arch resnet18 --out-dir /logs/check

利用鲁棒性水印和脆弱性水印的双重嵌入的算法。

神经网络鲁棒性和可迁移性综述：On Robustness and Transferability of Convolutional Neural Networks

论文研究-基于随机活动工期的资源约束项目鲁棒性调度优化.pdf,  项目进度计划的鲁棒性对于不确定条件下项目的顺利实施具有重要影响. 作者研究具有随机活动工期的资源约束项目鲁棒性调度问题, 目标是在可更新资源和项目工期约束下安排活动的开始时间, 以实现项目进度计划鲁棒性的最大化. 首先对所研究问题进行界定并用一个示例对其进行说明. 随后构建问题的优化模型, 设计禁忌搜索、多重迭代和随机生成三种启发式算法. 最后在随机生成的标准算例集合上对算法进行测试, 分析项目活动数、 项目工期和资源强度等参数对算法绩效的影响, 并用一个算例对研究进行说明, 得到如下结论: 禁忌搜索的满意解质量明显高于其他两种算法; 当资源强度或项目工期增大时, 平均目标函数值上升, 禁忌搜索的求解优势增强. 研究结果可为不确定条件下项目进度计划的制定提供决策支持.

布朗大学工程学院开发的相机投影仪系统标定方法，论文原文是《简单，准确且具有鲁棒性的投影机-摄像机校准.pdf》，可在布朗大学官网下载到，我进行了翻译。

在不确定的环境中灵活的车间调度在现实世界的制造系统中起着重要的作用。 为了捕捉柔性作业车间调度的不确定性和多目标性质，构建了多目标随机柔性作业车间调度问题（MOSFJSSP）的数学模型，该模型包含制造时间跨度，最大机器工作量和鲁棒性三个目标。在各种实际约束下，同时考虑不确定性。 基于统计工具定义了两个基于方案的新的鲁棒性度量。 为了适当地解决MOSFJSSP问题，开发了一种基于分解的改进多目标进化算法（m-MOEA / D）进行鲁棒调度。 我们方法的新颖之处在于，它采用了一种新的子问题更新方法，该方法利用了全球信息，允许保存在档案中的精英们参与子代的产生，采用子问题选择和中止策略，将更多的计算工作集中在有前途的子问题上，并结合了特定问题的遗传算子进行变异。 在18个问题实例上的广泛实验结果，包括8个总柔性实例和10个局部柔性实例，表明这两种新的鲁棒性度量比现有的基于情景的度量更为有效，可以提高进度对不确定性的鲁棒性并保持被破坏目标的较小方差价值观。 与最新的多目标优化进化算法（MOEA）相比，我们提出的基于m-MOEA / D的鲁棒调度方法可实现更好的收敛性能。 还分析了三个目标之间的不同权衡。

鲁棒性数字水印算法研究.pdf

鲁棒性数字音频水印算法研究.pdf