鲁棒控制和H无穷控制的经典参考书，入门级

为了捕获柔性作业车间调度的多目标和不确定性，构建了具有发布时间不确定性的多目标柔性作业车间调度问题的数学模型（MOFJSSP-RTU），其中，制造时间跨度，拖延性，在各种约束下同时考虑了稳定性和鲁棒性。 为了适当地解决MOFJSSP-RTU问题，提出了一种改进的基于分解的多目标进化算法（IMOEA / D），用于鲁棒调度。 我们算法的新颖性在于它采用了一种新的子问题更新策略，该策略利用了全局信息，允许存档中记录的精英分子参与子代，并结合了基于修复的交叉算子和自适应差分进化（DE基于）的变异算子，有助于更好地平衡算法的探索和开发。 在4个问题实例上的实验结果表明，我们的基于IMOEA / D的鲁棒调度方法具有比最新的多目标优化进化算法（MOEA）更好的收敛性能，并且还擅长于保持解决方案的均匀分配。 还分析了三个目标之间的不同权衡。

这是fcm算法的可靠版本，可提高图像分割的质量，并且在处理有噪点的图像时效果很好。

建模过程中如何消除和解决共线性的问题的算法说明。是过程建模经典教材

Robust Observer-Based Fault Diagnosis for Nonlinear Systems Using MATLAB®

REMD是一种改进的经验模式分解，由软筛选停止标准（SSSC）提供支持。 SSSC是一种自适应筛分停止标准，用于自动停止EMD的筛分过程。 它从混合信号中提取出一组单分量信号（称为固有模式函数）。 它可以与Hilbert变换（或其他解调技术）一起用于时频分析。

基于随机平滑的数据中毒防御有多强健？ 抽象的 可证明可靠的分类器的预测在一个点附近保持不变，从而使它们在保证测试时间的情况下具有弹性。 在这项工作中，我们提出了对健壮的机器学习模型的前所未有的威胁，突显了训练数据质量在实现高认证健壮性方面的重要性。 具体而言，我们提出了一种基于双层优化的新型数据中毒攻击，该攻击会降低可证明的鲁棒分类器的鲁棒性保证。 与其他数据中毒攻击会降低一小组目标点上的中毒模型的准确性不同，我们的攻击会减少数据集中整个目标类的平均认证半径。 此外，即使受害者使用最新的健壮训练方法（例如， 和从头开始训练模型，我们的攻击也是有效的。 为了使攻击更难检测，我们使用带有明显较小失真的干净标签中毒点。 通过中毒MNIST和CIFAR10数据集并使用前面提到的鲁棒训练方法训练深度神经网络，并使用随机平滑验证其鲁棒性，来评估所提出方法的有效性。 对于使用这些强大的训练方法训练的模型

Title:Linear Robust Control Authors: Michael Green & David J.N. Limebeer

“Towards Robust Vision Transformer” 论文的学习笔记 ViT模型存在的问题 RVT模型与RVT*模型设计规则 CAM与Grad-CAM

This is a Ph.D. dissertation in Computer Science at The Department of Computer Science, University of Copenhagen, Denmark. Supervisor has been Knud Henriksen. Kenny Erleben November 2004 (Revised version, April 2005) Physics Based Animation