主要讲述电力系统的控制，增强电力系统的稳定性，提高电力系统的抗干扰能力

针对鲁棒Capon波束形成算法中采用牛顿迭代求解对角加载因子时，运算量大且算法旁瓣增益高的问题，提出了一种改进的稳健波束形成算法。首先对干扰协方差矩阵进行重构，然后将重构的协方差矩阵投影到噪声子空间，使期望信号导向矢量在噪声子空间投影最优，最后精确求解对角加载因子。该方法的运算量低于RCB算法中牛顿迭代和最差性能最优（WCPO）算法中凸规划运算，并且提高了加载因子的计算精度。实际仿真结果表明，改进算法有效克服了信号方向估计误差，具有更低且稳定的旁瓣增益，输出信干噪比性能优于现有其他方法。

基于数据驱动的微电网优化规划程序

鲁棒控制经典书籍，尽管不太清晰，需要的可以下载，引文版本

研究一类具有非线性扰动的连续时间时滞系统的鲁棒无源控制问题,系统中的时滞包括时变状态时滞和 时变输入时滞。假设状态时滞不同于输入时滞,并且状态时滞的变化区间及变化率的上界均已知,但输入时滞仅 已知其变化区间;通过构造新的 Lyapunov泛函,并借助于新的技巧,得到鲁棒无源状态反馈控制器存在的时滞依 赖充分条件;数值例子表明了该方法的有效性。

针对无线网络中存在的能耗严重、信道竞争冲突等问题,在控制机制上,重点研究了事件触发控制机制,考虑到被控对象参数的不确定性以及各种强干扰因素,将鲁棒H_∞控制与事件触发控制相结合,对鲁棒H_∞控制器和触发条件进行了共同设计,该控制机制既保证了系统的指数稳定和一定的H_∞抑制水平,又极大地节约了电能和无线网络信道资源。

预算matlab代码DVTSR PyTorch实施“” 相关工作 PyTorch实现上的，sRGB轨道的第二名和Raw-RGB轨道的第三名。 （） PyTorch重新实现了Simon Niklaus的“”。 （） 依存关系 Python 3.6 PyTorch 1.0.0 的MATLAB TensorFlow 张量板TensorBoardX 火炬摘要 数据 我们使用VTSR数据集进行训练。 要生成训练数据，请使用Matlab代码generate_train.m 训练 例如，使用以下命令来使用我们的培训代码 python main_tsr.py --lr 1e-4 --step 2 --cuda True --train_data0 ./train_data0.h5 --train_data1 ./train_data1.h5 --train_label ./train_label.h5 --valid_data0 ./valid_data0.h5 --valid_data1 ./valid_data1.h5 --valid_label ./valid_label.h5 --gpu 0,

em算法matlab代码稳健的期望最大化（REM） 个体在许多实质性方面存在差异，但并不总是通过假定的数据生成模型来捕获。 为了解决这个问题，我们提出了一种基于EM算法的稳健估算程序，该算法称为REM（稳健期望最大化）。 该存储库中的文件包含用于仿真研究的MATLAB源代码，该论文在本文中找到，通过稳健估计来解决潜在变量设置中的异构种群。 有关REM和仿真研究的更多详细信息，请参见此处。 混合物模型 此文件夹包含用于运行模拟的代码，该模拟在模型错误指定下比较高斯混合模型参数的EM和REM估计。 可以从MixtureModel / GMM_sim_main.m运行模拟 可以对来自MixtureModel / GMM_estimates.m的输入p×n数据集X进行估算 因子分析 该文件夹包含用于运行模拟的代码，这些模拟比较了异构种群中因子结构的EM和REM估计。 可以从FactorAnalysis / FA_sim_main.m运行模拟 可以对来自FactorAnalysis / FA_estimates.m的输入p×n数据集X进行估算

这是将压缩感知应用到人脸识别的第一篇也是最经典的英文论文，我精心翻译了大部分，希望对大家有帮助。

对基于声辐射模态的结构振动主动控制中的鲁棒非脆弱问题进行了研究。首先以简支板为例。基于声辐射模态的主动控制策略，考虑被控系统参数的不确定性，建立了参数不确定模型。然后基于线性矩阵不等式（LMI）方法，考虑乘性控制器参数变化，设计了鲁棒非脆弱H∞状态反馈控制器。仿真结果表明：该控制器不仅是鲁棒的，而且是非脆弱的，验证了该方法的有效性。