非线性系统设计——微分几何、自适应及鲁棒控制，马里诺（R.Marino）等著；姚郁，贺风华译；高清，带书签；非常棒的一本外国教材。

针对现有的红外与可见光图像融合算法存在融合图像的对比度与清晰度降低和细节纹理信息丢失等问题,提出将鲁棒主成分分析(RPCA)、压缩感知(CS)和非下采样轮廓波变换(NSCT)相结合的融合算法。首先对两幅源图像分别进行预增强处理,应用RPCA分解得到相应的稀疏分量和低秩分量;然后对稀疏矩阵利用结构随机矩阵压缩采样,利用高斯梯度-信息反差对比度(GG-DCI)压缩融合,经正交匹配追踪法(OMP)重构;接着对低秩矩阵采用NSCT分解成低频子带和高频子带,低频子带选用区域能量-直觉模糊集(RE-IFS)融合,最高频子带利用最大绝对值规则融合,其他高频子带选用自适应高斯区域方差融合;最后将融合后的稀疏分量和低秩分量叠加得到融合图像。实验结果表明,本文算法相比其他算法能够更好地提高融合图像的对比度和清晰度,保留了丰富的细节纹理信息,客观评价指标也总体优于现有算法,有效提升了红外与可见光图像的融合效果。

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。

对于B站https://www.bilibili.com/video/BV19G4y1W7oQ/?vd_source=9e644f2e0e7de53e29e3dfcb4f1f16b6 内容的仿真内容。

很好的学习文档 大家一起来学习下 控制器的设计交流

研究了含有参数不确定及外部扰动的带有TCSC（thyristor controlled series compensation）的单机无穷大母线系统的鲁棒控制问题。针对描述单机无穷大母线系统的非线性三阶模型，将自适应理论和L2增益干扰理论相结合，并用逆推法构造出系统的存储函数，设计出了系统的非线性自适应鲁棒控制器。所设计的控制器不仅能够保证系统状态有界，而且能够有效地抑制外部干扰对系统输出的影响。仿真结果表明，所设计的控制器能够在很短的时间内使系统恢复稳定的状态，说明其控制是有效的。

书写代码，并在matlab中使用cplex求解鲁棒优化模型，考虑了各种模型的约束条件