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。

Matlab环境下 基于Kruppa方程的GAPSO算法的相机内参数标定

isight应用实例，帮助初学者快速掌握isight使用方法

基于改进粒子群算法的水轮机调速器参数优化，详细讲解模型建立，算例求解

标准粒子群算法程序，函数优化，参数优化，可用于PIDNN.

基础的迭代学习控制算法，基于开环、闭环、开闭环的算法

在案例12中我们采用SVM来做分类预测,达到了较满意的结果,但用SVM做分类预测时需要调节相关的参数(主要是惩罚参数c和核函数参数g)才能得到比较理想的预测分类准确率,那么SVM的参数该如何选取呢?有没有最佳的参数呢?采用cross validation的思想可以在某种意义下得到最优的参数,可以有效的避免过学习和欠学习状态的发生,最终对于测试集合的预测得到较理想的准确率.采用实例验证表明,用cross validation选取出的参数来训练SVM得到的模型比随机的选取参数训练SVM得到的模型在最后分类预测上更有效.

本文研究了两种灰色系统预测模型的预测能力。 Deng [1] [2]提出的原始灰色GM（1,1）预测模型，以及Ji等人提出的改进的Gray GM（1,1）模型。 [3]用于预测百慕大的医疗旅游需求。 本文还介绍了一种用于优化alpha（权重）参数的准优化方法。 使用四个数据点估算模型后，将提前五个步骤进行样本外预测。 结果表明，阿尔法参数的优化大大提高了模型的预测精度。 将两个模型的样本外平均绝对百分比误差的五个步骤从大约7％降低到大约3.80％。 很大程度上，在没有大量高质量数据的情况下，预测方法显示出巨大的潜力来替代传统的预测方法。

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