Robust multi-objective test problems The most challenging robust multi-objective test problems in the world 一组 22 个具有挑战性的多目标测试问题，用于对稳健的多目标优化算法的性能进行基准测试。提交的内容包括测试函数以及用于绘制测试函数的参数空间和目标空间的文件。 这是论文的源代码： S. Mirjalili, A. Lewis, Novel Frameworks for Creating Robust Multi-objective Benchmark Problems, Information Sciences, Vol. 300，第 158-192 页，2015 年，DOI：http ://dx.doi.org/10.1016/j.ins.2014.12.037

序寻优matlab代码电动汽车充电计划在不受监管的电力市场中的稳健优化 Nikita Korolko & Zafer Sahinoglu 在这个项目中，我们解决了在不受监管的电力市场中优化电动汽车充电的问题。 由于代表物理电池限制的非线性充电状态曲线，即使在固定电价的情况下，这个问题也是高度非线性的。 我们为单个和多个 EV 充电框架设计易于处理的公式。 在论文的第一部分，我们开发了一种新的高效切割平面方法，可用于解决已知和不确定电价两种情况下的充电优化问题。 本文的第二部分考虑了具有实时电价的后一种情况。 我们获得了名义收费问题的稳健优化对应物，当严格执行预算约束时，从经济角度来看，这尤其重要。 新的稳健配方被证明是易于处理的。 此外，计算实验表明，决策者可以找到在相应目标值方面接近最优的解决方案，并且对于不确定的电价具有鲁棒性。 文件“Article_Robust.pdf”是发表在 IEEE Transactions on Smart Grid 上的论文。 Julia 文件“MINLP_1.jl”解决了第 7 页上的混合整数非线性优化问题 (9)。该求解算法使用了论文第 2 节中描

稳健的连续聚类 介绍 这是一个MATLAB实现的在下面的纸张（所呈现的RCC和RCC-DR算法）： Sohil Atul Shah和Vladlen Koltun。 稳健的连续聚类。 美国国家科学院院刊（PNAS），2017。 如果您在研究中使用此代码，请引用我们的论文。 @article{shah2017robust, title={Robust continuous clustering}, author={Shah, Sohil Atul and Koltun, Vladlen}, journal={Proceedings of the National Academy of Sciences}, volume={114}, number={37}, pages={9814--9819}, year={2017}, publisher={Nati

贝叶斯鲁棒隐马尔可夫模型 (BRHMM) 是一种用于分割序列多变量数据的概率模型。 该模型将数据解释为由一系列隐藏状态生成。 每个状态都是重尾分布的有限混合，具有特定于状态的混合比例和共享位置/分散参数。 该模型中的所有参数都配备有共轭先验分布，并使用与期望最大化实质相似的变分贝叶斯（vB）推理算法进行学习。 该算法对异常值具有鲁棒性并接受缺失值。 此提交包括一个测试函数，该函数生成一组合成数据并从这些数据中学习模型。 测试函数还绘制根据模型分割的数据，以及每次 vB 迭代后数据对数似然的变分下界。 如果您发现此提交对您的研究/工作有用，请引用我的 MathWorks 社区资料。 如果您有任何技术或应用相关问题，请随时直接与我联系。 指示： 下载此提交后，解压缩 MatLab 工作目录中的压缩文件并运行测试函数 (TestBRHMM.m) 进行演示。

核糖核酸 这是强大的非负矩阵分解 (rNMF) R 包的开发存储库。 rNMF 将具有潜在损坏的高维非负数据集分解为两个具有单独异常值集的低秩矩阵的乘积。 包小插图： : 安装 要从 CRAN 安装和加载已发布的包，请在 R 中运行以下命令： install.packages("rNMF") library(rNMF) 要安装开发版本，请在 R 中运行以下命令： install.packages("devtools") library(devtools) install_github("RandomSeeds/rNMF") library(rNMF) 使用包 包裹的小插图是 要查看主函数的帮助，请运行： ?rnmf 要查看示例，请执行以下操作： example(rnmf)

针对导向矢量失配程度较大时,常见稳健波束形成算法性能下降问题,提出了一种迭代搜索最优导向矢量的稳健波束形成算法。首先利用修正后的导向矢量构造使波束输出功率最大的目标函数,分别从干扰抑制和噪声抑制2个方面推导了新导向矢量应满足的约束条件。给出了利用矩阵滤波思想构造约束条件的方法并分析其合理性。针对优化问题难以求解的问题,提出了一种迭代寻优的搜索方法,将每次迭代转化为求解一次二阶锥规划问题。仿真分析表明,相比于常见稳健波束形成算法,该算法有更高的抗导向矢量失配的稳健性,且需要的先验信息更容易获取。

利用NEQR量子图像表示法，提出了一种能在含水印量子载体图像中实现隐蔽通信的量子隐写算法。新算法借助水印通常拥有很好的稳健性和其特有的自恢复系统，对秘密信息的稳健性进行了多重强化。相比于之前的量子隐写算法，新算法不仅强化了秘密信息自身的稳健性，而且通过量子线路的设计提高了其嵌入和提取的可执行性和执行效率。经实验仿真结果和性能分析验证，新算法在保留原有隐蔽性和安全性基础上，进一步提高了秘密信息的稳健性和嵌入率。

稳健的电力系统状态估计器对于监控应用至关重要。 根据我们的经验，我们发现使用投影统计的鲁棒广义最大似然（GM）估计是文献中最好的方法之一。 它对多个交互和一致的不良数据、不良杠杆点、不良零注入以及某些类型的网络攻击具有鲁棒性。 此外，其计算效率高，适合在线应用。 除了 GM 估计器的良好击穿点外，它在高斯或其他厚尾非高斯测量噪声下具有很高的统计效率。 使用 SCADA 测量的 GM 估计器的原始版本是由 Mili 和他的同事在 1996 年提出的 [1]。 通过在 [R2] 中使用 Givens 旋转增强了其数值稳定性。 在 [R3] 中，GM 估计器被扩展为同时估计变压器抽头位置和系统状态。 错误的零注射也得到了解决。 在 [R4] 中，提出了 GM 估计器来处理动态状态估计中的创新和观察异常值以及测量损失。 在这里，我们想与所有研究人员分享 GM 估计器的 Matlab 代码。 我们还

使用对抗性训练增强深度学习以稳健预测癫痫发作 该存储库包含 Hussein A.、Djandji M. 等人在 ACM Transactions on Computing for Healthcare 发表的期刊论文“Augmenting DL with Adversarial Training for Robust Prediction of Epilepsy Seizures”中使用的代码。 该论文可以在这里找到： : 。 要求 h5py (2.9.0) 希克尔 (3.4.5) matplotlib (3.1.1) 内 (0.11.0) 熊猫 (0.25.1) scikit-learn (0.21.3) scipy (1.1.0) 张量流-GPU (1.14.0) 主文件夹说明 CHBMIT 和 FB：原始数据集文件夹。 CHBMIT_cache 和 FB_cach

三维旋转拼接matlab代码该任务的目标是实施稳健的单应性和基本矩阵估计 记录通过2D或3D投影变换分隔的图像对。 1对图像拼接 第一步是编写代码以将一对图像拼接在一起。 对于这一部分，您将继续工作 与以下一对（单击图像以下载高分辨率版本）： 1.加载两个图像，将其转换为两倍和灰度。 2.在两个图像中检测特征点。 您可以使用哈里斯拐角检测器代码harris.m 提供或您作为HW 2的一部分开发的Blob检测器。 3.提取两个图像中每个关键点周围的局部邻域，然后简单地通过以下方式形成描述符 将每个邻域中的像素值“展平”为一维向量。 试用dif- 不同的邻域大小，以查看哪种方法效果最好。 如果您使用的是拉普拉斯探测器，请使用 检测到的特征比例尺来定义邻域比例尺。 4.计算一个图像中每个描述符和另一图像中每个描述符之间的距离。 你 可以使用为快速计算欧几里得距离提供的dist2.m。 或者，进行实验 计算归一化相关性，或将所有描述符归一化后的欧几里得距离 零均值和单位标准偏差。 （可选）随时尝试使用SIFT描述符。 我们提供的脚本sift.m包含一些用于计算SIFT描述符的基本代码 圆形区域