AdverTorch - 基于PyTorch的对抗鲁棒性研究工具箱

本代码基于pytorch实现，复现ICCV 2019论文 Robust Loss Functions under Label Noise for Deep Neural Networks，论文地址https://arxiv.org/abs/1712.09482v1

基于内模控制原理，给出了一种PID参数整定的新方法

本课题主要研究小波变换的数字水印的嵌入和提取的不可见性和鲁棒性,本文还根据人类视觉特性对嵌入系数强度进行调整，并总结了嵌入系数与不可见性和鲁棒性的关系。已经嵌有水印的图像能有良好的鲁棒性，有一定抵抗攻击的能力。

稳定性理论的经典书籍，黄琳院士编著

针对高阶复杂系统提出一种分数阶内模控制器设计方法. 利用微粒群算法(PSO) 进行模型化简, 基于内模控制(IMC) 原理设计分数阶控制器, 该控制器仅有一个可调参数, 并根据鲁棒性能指标给出控制器参数整定的解析表达式. 仿真结果表明, 该方法可以使系统同时具有良好的目标值跟踪特性、扰动抑制特性以及克服参数变化的鲁棒性.

目前,对于整体优化问题已经进行了大量理论研究,并提出了许多基于导数的解析方法和其他非解析的数值优化技术。但是,在实际领域中存在着各种高度复杂的优化问题,其目标函数可能表现为非连续或非处处可微、非凸、多峰和带噪声等各种形式,这类复杂优化问题不适合于采用解析方法,同时用传统上的搜索技术求解也会遇到许多困难。针对上述问题,提出利用遗传算法求解多峰函数的优化方法,新方法利用遗传算法的鲁棒性,对多峰函数进行优化,并用Matlab进行仿真,实验结果表明,遗传算法可以快速稳定地搜索到多峰函数的最优解。 更多还原

基于设计的点预测控制器及其鲁棒性分析，得到的任意动态矩阵控制器都可以由点预测控制器的加权和表示，而其鲁棒性亦可由点预测控制器的鲁棒性加权和近似表示。本文进一步分析了为改善预测控制中的矩阵求逆条件和控制器的稳定性而采取对预测控制器的控制增量△u（t）加人惩罚因子后的鲁棒性，得到其鲁棒性不小于原控制器，并在此基础上分析了控制器参数对系统鲁棒性的影响和为提高鲁棒性而进行参数调整的方法，为动态矩阵控制在过程控制中的应用提供指导。

生成对抗神经网络matlab代码神经网络的鲁棒性 团队成员： 里查·辛格 FNU萨钦 注意：由于文件较大，我们无法上传 EMNIST 数据集 emmist-balanced.mat 文件。 这个数据集可以在链接上找到。 如果找不到，请发送电子邮件至 或 。 项目内容： src/main.ipynb：运行 PDF 报告中提到的代码的 Pyhton notebook。 src/emmist-balanced.mat：EMNIST 数据集的 MATLAB 格式（由于大小超过 25 MB，无法上传）。 src/adversarial_examples.py：生成各种对抗样本的脚本。 src/plots.py：绘制各种分析图的脚本。 src/train_network.py：用于训练基本和蒸馏神经网络的脚本。 src/l0_attack.py：为我们的基础设施修改的作者代码。 包含 L-0 攻击。 src/l2_attack.py：为我们的基础设施修改的作者代码。 包含 L-2 攻击。 src/li_attack.py：为我们的基础设施修改的作者代码。 包含 L-Infinity 攻击。 src

适合控制过程中用到的鲁棒性，鲁棒性控制在matlab中的仿真