前段时间学习统计分析时整理的一些关于鲁棒回归的一些PDF和PPT，希望对大家有用

周克敏的经典鲁棒书籍，可以当字典用， 非常难得

仅供大家参考

图 2.1 椭球法的迭代过程 对使得 )(xf 最小化的问题，它的椭球法求解算法如下： Step 0：设 V∈0x ， mS∈0P 是正定矩阵，定义椭球 }1)()(:{ 0 1 0 T 00 ≤−−∈= − xxPxxx VE Step k：对 ...,2,1=k 1．计算 f 在 1−kx 处的次梯度 m k R∈−1g ，并记 1k kR V E −= I T 1 1{ : ( ) 0 }k k− −− ≤x g x xI 2．计算 Vk ∈x 和 0>kP ，使得椭球 }1)()(:{ 1T ≤−−= − kkkkE xxPxxx 包含 kR 。以下的 kx 和 kP 具有这样的性质： ⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎝ ⎛ + − − = + −= −−−− −−− − −−− −− − 1 T 111 11 T 1 12 2 11 T 1 11 1 )1( 2 1 )1( kkkk kkk kk kkk kk kk mm m m PggP gPg PP gPg gP xx 3．重复 Step k。 2.3.2 内点法 内点法是求解线性矩阵不等式问题的一个更为有效的算法。它的主要思路是：利用约 束条件定义一个闸函数，该函数在可行域内部是凸的，在可行域外部则定义其值为无穷 大。通过在目标函数中添加这样一个闸函数，使得原先的约束优化问题转化成一个无约束

人脸识别的鲁棒稀疏编码，的稀疏表示识别方法将稀疏表示的保真度表示为余项的L2范数，但最大似然估计理论证明这样的假设要求余项服从高斯分布，实际中这样的分布可能并不成立，特别是当测试图像中存在噪声、遮挡和伪装等异常像素，这就导致传统的保真度表达式所构造的稀疏表示模型对上述这些情况缺少足够的鲁棒性。而最大似然稀疏表示识别模型则基于最大似然估计理论，将保真度表达式改写为余项的最大似然分布函数，并将最大似然问题转化为一个加权优化问题，在稀疏表示的同时引入代表各像素不同权值的矩阵，使得该算法对于图像中包含异常像素的情况表现出很好的鲁棒性。

以一个具体实例来说明鲁棒控制器是如何使用以及如何设计的

一个扰动观测器的简要概述，推导出扩张观测器（ESO）,包涵参考论文及仿真模型

对所给的图像添加鲁棒水印，实现图片的版权保护功能。

在此通信中，我们考虑了在新提出的嵌套阵列中设计鲁棒的自适应波束形成器的问题，在该阵列中我们保持无失真响应朝向真正的所需信号并抑制比实际的物理传感器。 我们提出的方法的实质是重建干扰加噪声协方差矩阵，并估计真实的期望信号转向向量。 重建过程是通过投影空间平滑来执行的矩阵进入干扰子空间。 估计过程是通过求解一个基于最小化波束形成器灵敏度并强制执行估计不要收敛到任何干扰导引向量。 我们还表明可以以可比较的成本高效地计算出构造的优化问题是标准Capon波束形成器（SCB）的产品。 所提方法的有效性通过数值模拟验证

针对H无穷大控制，附加Matlab程序，有解释，适合初学者。