基于LMI预测控制的好的程序，用来研讨鲁棒预测控制的问题

使用python3实现rsa,所需要的数学知识以及注释都在report里面，代码里面有注释，在运行可执行文件的时候要留意先阅读readme，因为没有刻意增加代码的鲁棒性

 设计并实现了基于图像检索的地标识别系统。
该系统通过捕捉地标的视觉特征，协助游客或使用者更好地理解图像的内容并同时提供图像拍摄的地理位置信息。
首先根据提取的SURF特征搜寻地标在数据库中的最优匹配，然后根据最优匹配结果给出输入地标在地图中的位置。
系统采用的层次化数据库结构和分级检索方式，使得检索效率比传统的遍历检索方式提高30%。
大量实验证明文中提出的算法具有鲁棒性和高准确性，该系统已在高校内部地标识别中测试使用成功。

本ppt主要介绍了关于近几年复杂网络的热门研究方向，能协助你快速入门复杂网络。
首先介绍了什么是网络科学，网络科学与复杂网络的关系。
其次介绍了目前热门研究方向，包括链路预测、关键节点挖掘、网络鲁棒性分析等等。

论文《基于backstepping的船舶航向自顺应鲁棒非线性控制器设计》自己做的程序+原文论文《基于backstepping的船舶航向自顺应鲁棒非线性控制器设计》自己做的程序+原文论文《基于backstepping的船舶航向自顺应鲁棒非线性控制器设计》自己做的程序+原文

这是看过的所有鲁棒教材中，讲解最为详细的一本，由浅入深。
（请勿用于商用）内容简介:本书主要介绍现代鲁棒控制理论的基本设计思想及其前沿领域的理论与应用成果，具体内容包括三个部分。
第一部分介绍有关基础知识，包括数学基础、稳定性、有界性和收敛性的基本定理、具有不确定性的系统的描述方法以及鲁棒稳定与鲁棒功能准则的条件；
第二部分介绍线性及非线性鲁棒控制的理论成果，其中线性鲁棒控制集中介绍以h。
控制以及ｕ设计等为代表的经典理论；
非线性鲁棒控制则主要介绍鲁棒镇定和鲁棒l设计，鲁棒自适应控制的基础理论与前沿成果；
第三部分分别介绍上述理论成果在机械系统、电力及电力电子等系统中的设计实例。
　　本书可以作为自动控制和电气工程专业的研究生教材，也可供从事上述专业的科研人员和工程技术人员参考。

PSAT(PowerSystemAnalysisToolbox)，中文翻译为电力系统分析软件包，包含了：PF-潮流计算；
CPF-连续潮流；
OPF-最优潮流；
SSSA-小扰动分析；
TDS-时域仿真；
GUI-用户人机界面；
GNE-自定义模型等功能。
经过验证，该工具包已经可以计算上千节点规模的系统。
而且该软件包源代码完全公开，因此用户可以根据自己的研究兴味编写修改相应源代码实现研究目的。
同时,依托于Matlab的强大计算功能以及丰富的控制、信号处理、鲁棒控制、模糊控制等工具箱,使得PSAT可以把控制科学、信号处理等方面的新思想与电力系统的传统仿真计算有机地结合起来

黄琳院士的《波动性与鲁棒性的理论基础》，现纸版已绝版

在中国安防产业中视频监控作为最重要的信息获取手段之一，能对目标有效的提取是重要而基础的问题，因此本文在此背景下，围绕对监控视频的前景目标有效的提取问题，研究了关于1）静态背景、动态背景的前景目标提取，能在背景复杂化的条件下，将运动的目标；
2）带抖动视频；
3）静态背景下多摄像头对多目标提取；
4）出现异常事件视频的判断等问题。
给出了在不同情况下的前景目标提取方案。
问题一是针对静态背景且摄像头稳定的情况下，如何对前景目标提取的问题。
在题目要求的基础上，通过对附件2中几组视频的分析，我们发现所有前景目标的运动短暂且光线明暗变化不明显。
由于传统的Vibe算法能抑制鬼影但是运行效果不理想，因此采用建立在帧差法上改进的Vibe算法模型求解问题。
并和传统的Vibe算法做对比，结果显示改进的Vibe算法明显优于传统的算法。
而且对我们的算法模型做了效果评价。
详细数据参考正文与附录。
问题二是在背景为动态（如有水波的产生）的情况下，对前景目标的提取问题。
在此问题中，由于动态背景存在使得提取出的图像帧具有大量的干扰噪声，对前景目标的识别和提取造成干扰，因此我们提出一种基于全局外观一致型的运动目标检测法。
在用Vibe算法对场景预检测的基础上，建立混合高斯模型分别对前景和背景进行全局外观建模，将运动目标检测出来，再引入超像素去噪，进一步优化结果。
详细结果参考正文与附录。
问题三是在问题一、二基础上的进一步深化。
问题一及问题二是建立在摄像机自身稳定的基础上，而问题三则是在摄像机抖动的情况下。
由于摄像机抖动一般具有旋转和平移，因此我们建立了坐标变换模型，以仿射变换作为模型基础，结合改进的高精度鲁棒的RANSAC算法提取前景目标，并对比灰度投影法，比较两种模型效果。
具体效果见正文与附录。
问题四是对前三个问题的综合应用。
运用基于混合高斯模型背景建模Vibe算法，对前景目标进行提取；
选出具有显著前景目标的参考帧，计算参考帧中显著前景目标所占的面积，并将此面积设定为阈值T，遍历所有的视频帧，计算其前景目标所占的面积，通过相减对比，判定显著前景目标。
若判定为显著前景目标则输出其所在视频帧中的帧号，并将显著前景出现的总帧数增加1。
问题五是针对多摄像头多目标的协同跟踪问题。
在问题二的混合高斯模型基础上我们建立了动态背景提取法，对不断变化的背景进行实时更新。
再利用单应性约束法对多目标发生重叠现象进行投影将重叠目标区分开来，对目标进行定位。
由于目标的不断运动，我们采用粒子滤波法对前景目标进行实时跟踪，通过多摄像头的协同通信完成对多前景目标的检测。
问题六是针对监控视频中前景目标出现异常情况时判断能否有异常事件的问题。
在基于稀疏表示的模型上，引入混合高斯模型用于学习不同类型的运动特征规律，然后通过各个单高斯模型中的均值建立一个相似矩阵作为字典。
以测试阶段生成的核矢量为基础，用该局部特征的核矢量计算基于稀疏表示的重构误差，并将其与已设定的阈值进行比较，如果重构误差大于阈值，则判为异常。

机器人的鲁棒无限时间控制方法

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。