为了实现对Buck变换器直流输出电压的精确控制，优化变换器的性能，提出了一种基于双滑模面控制的控制策略，建立了数学模型，并推导了变换器滑模面的存在条件。通过仿真实验表明，采用双滑模面控制滑模变结构控制的Buck变换器具有滑模控制快速响应、鲁棒性强等特点。

针对传统狼群算法（WPA）存在易陷入局部最优解、计算资源耗费大、鲁棒性低等问题，提出一种基于差分进化的改进狼群算法（DWPA）。首先，通过引入探狼搜索因子、猛狼最大奔袭次数、自适应围攻步长、差分进化策略等对传统狼群算法进行了改进，在降低算法计算耗费的同时提高了算法的全局搜索能力；然后，运用马尔可夫链理论证明了DWPA的收敛性；最后，对13个测试函数进行寻优测试，并与WPA等四种算法进行对比分析。测试结果表明，DWPA具有良好的鲁棒性和全局搜索能力，在求解多峰、高维、不可分函数方面的寻优能力尤为突出。

通过快速和可定制的对抗性数据生成提高深度学习系统的鲁棒性 如有任何疑问，请通过电子邮件联系： 。 代码概述 该代码包含七个子项目。 我们研究了三个自定义损失函数（LRP，NCE，可疑性），并在MNIST和CIFAR数据集上进行了实验。 由于DGN架构因使用的数据集而异，因此我们决定将项目分成子项目以避免复杂性。 对于每个自定义损失，我们有两个子项目，分别是RobustMNIST和RobustCIFAR。 因此，我们有六个与基于CAE的对抗性数据生成相关的子项目。 一个子项目用于使用IBM Robustness Toolbox生成FGSM和PGD攻击数据以及FGSM，PGD对抗训练。 六个基于CAE的对抗性数据生成项目中的每个项目都具有相同的Python脚本。 CustomLosses.py ：包含自定义损失函数，该函数将用作DGN模型的损失函数 train.py ：训练DGN模型并将

鲁棒性语音识别系统设计与实现-附件资源

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.