针对已有的基于权值交点的AOA定位算法由于未考虑奇异方位线交点而导致定位精度不高、适应性不强的问题，给出一种基于GDOP权值交点的鲁棒AOA（RGWIAOA）定位算法。算法根据锚节点AOA测量值，获得所有方位线交点，利用圆误差概率确定有效交点，并依据有效交点的GDOP产生相应的权值，对有效交点进行加权求和作为盲节点的位置估计。RGWIAOA算法利用了AOA测量值的标准差，同时在GDOP的计算中兼顾了锚节点位置的误差，使算法具有较强的鲁棒性。仿真结果表明，与已有算法相比, RGWIAOA算法在不同应用场景下具有更好的适应性及更高的定位精度。

读文章是写文章的第一步，读有代码文章可以事半功倍！ 献上电力系统优化调度方向研究生必备matlab-yalmip代码！！祝您快速入门，早日发paper！ 包含需求响应/两阶段鲁棒优化/微电网经济调度/综合能源系统/低碳调度/碳交易/多目标优化/电动汽车/多时间尺度/智能算法等文献复现matlab代码 代码均为matlab-yalmip-cplex/gurobi编写与运行 【自助餐，欢迎选购，白嫖勿扰】

（语言：MATLAB）数字水印（图像大小不限制，攻击，鲁棒性评价，带界面GUI） （语言：MATLAB）数字水印（图像大小不限制，攻击，鲁棒性评价，带界面GUI）

2023年最新入门对抗样本、对抗攻击与防御的最佳教程，里面包含总结好的攻击跟防御代码 并有详细介绍。 有入门到精通，该教程最通俗易懂。 对抗样本是各种机器学习系统需要克服的一大障碍。对抗样本的存在表明模型倾向于依赖不可靠的特征来最大化性能，如果特征受到干扰，那么将造成模型误分类，可能导致灾难性的后果。对抗样本的非正式定义：以人类不可感知的方式对输入进行修改，使得修改后的输入能够被机器学习系统误分类，尽管原始输入是被正确分类的。这一修改后的输入即被称为对抗样本。 敌手在恶意设计扰动，让自动驾驶汽车直线拐弯[10]，让目标检测失灵[11]，让人脸识别系统失效[12]。我不放心你做事啊，尤其是人命关天的任务。

论文研究-固体氧化物燃料电池系统的鲁棒反馈模型预测控制.pdf,  固体氧化物燃料电池系统工作过程中燃料与氧化剂的压力差和燃料利用率的变化值是衡量系统运行安全、稳定长效、具有较好鲁棒性的重要指标. 本文提出采用离线计算、在线优化相结合的带有输出反馈的鲁棒模型预测控制方法, 分别将燃料与氧化剂的压力差和燃料利用率作为输入和输出约束, 离线计算目标函数上界及其系列渐近稳定域, 在线时对控制量进行精确定位. 仿真结果表明, 采用了状态反馈的模型预测控制方法能有效克服模型失配问题并迅速获得被控量的预测值, 使系统当负载电流发生波动时能克服变化引起的参数偏差, 提高了响应速度, 增强了系统鲁棒性.

鲁棒与最优控制 原著 KEMINZHOU with JOHNC.DOYLE and KEITHGLOVER 英文版

为了解决设计中存在的公差与实际制造中的误差经常引起运动机构的实际性能发生波动甚至发生变异的问题,通过构建设计目标机构的目标函数鲁棒性和约束函数鲁棒性,将鲁棒优化设计方法应用到运动机构的设计中。通过对四杆机构的摆杆、机架尺寸发生波动时的运动响应进行鲁棒优化计算,与传统设计方法得到的优化解相对比,鲁棒优化设计解能够使设计的运动结构具有更加稳定的性能。算例表明,鲁棒优化设计方法能够有效降低参数波动对运动机构性能的影响,是解决该类问题的有效途径。

[Yinterp 警告标志] =robustinterp(Xdata, Ydata, targetX) 在 X 和 Y 值的列中线性插值，在 x 或 y 中具有严格单调性的反转或失败（例如，理想单调关系的噪声和/或量化观察）。 Ydata 和 Xdata 是相同大小的列向量或矩阵。 TargetX 是标量目标 X 值，或者是每个数据列都有一个目标值的向量。 Robustinterp 独立地对数据的每一列进行操作，以找到对应于 targetX 中给定的 X 值的 Y 值 Yinterp。 Xdata或Ydata中的相等性和逆向性可以通过在Xdata移动到，与目标X相等或通过与目标X相等的所有点的Ydata中进行线性插值来实现。 然后对局部内插的 Y 值进行简单平均。 Yinterp 不限于单调！ Xsorted 和 Ysorted 是按列排序的数据，因此 X 是非递减的。 每个 Xdata

摘要:针对参数具有确定性及不确定性的连续系统,给出两种严格耗散PI控制器的设计方法.首先,系统参数确定时,采用线性矩阵不等式方法,导出了类状态反馈和静态输出反馈

matlab fcm函数代码DPPCA网 介绍 DPPCANet是一种用于不平衡多时相合成Kong径雷达图像变化检测的鲁棒深度学习方法，主要包括：1）生成差异图； 2）并行FCM聚类，以提供训练样本伪标签； 3）基于采样的PCANet + SVM模型构建过采样和欠采样的像素分类。 要求 MATLAB 2018a 功能 加权池卷积： I_wp = WP(I,k) 生成对数比图像： I_lr = di_gen(I_1,I_2) 累积加权池： T是累积时间 M = Normalized(matrix)是一种鲁棒的归一化方法。 输入矩阵中值最高的50个元素的平均值是上限，而值最低的50个元素的平均值是下限。 矩阵是软归一化的。 DDI = Normalized(CWP(I_ori,T)) Gabor小波变换特征提取： [f1,f_1] = Gabor_fea(I_map) 并行聚类：两组映射的DDI I_map1，I_map2和Gabor特征向量f_1和f_2 im_lab = paralleclustering(f_1,I_map1,f_2,I_map2) FCM： [center, U,