信息安全管理系列专题之七 信息安全管理体系之风险评估

风险评估是信息安全管理体系(ISMS)建立的基础,是组织平衡安全风险和安全投入的依据,也是ISMS测量业绩、发现改进机会的最重要途径。 BS 7799并没有准确定义风险评估的方法,组织可以根据自身的情况,开发适合自己的风险评估方法。即便如此,靠一个临时小组的头脑风暴提出组织信息安全风险的做法也是不合适的。因为标准要求组织选择系统性的风险评估方法,从威胁、薄弱点、影响、可能性四个方面来识别风险、评     

GPU加速的物体空间线绘制算法

提出一种网格模型线绘制的GPU加速算法,其在物体空间进行计算,避免了图像空间计算的不连续性.提出了GPU加速物体空间线绘制的通用算法框架,理论上对任何特征线定义均可以按照该框架实现GPU加速的特征线绘制;基于该框架,实现了轮廓线与光极线(photic extremum lines,PEL)2种特征线的GPU加速绘制.实...     

Bézier曲线/曲面间最近距离的几何裁剪算法

曲线、曲面间距离的计算问题在CAD/CAM、计算机图形学中有着广泛的应用.为了精确计算Bézier曲线/曲面间的最近距离,结合稳定的曲线、曲面分裂技术提出一种基于offset滚动球裁剪的几何算法.首先给出判定条件来裁剪去落在曲面的滚动球外的曲线段,或者落在曲线的滚动球外的曲面片,以摒弃大部分不包含最近点的曲线段或曲面片,为后续可能的Newton方法提供较好的初始点;然后给出判定最近点是否落在曲线的端点或曲面的边界曲线上的条件,将曲线/曲面间的距离计算问题转化为点/曲面或曲线/曲线间的距离计算问题,简化了问题的复杂度,提高了计算效率.实例结果表明,文中算法具有较好的稳定性和较高的效率.     

基于空间分解的三角网格模型求交方法

三角网格模型间的求交问题是计算机辅助设计与制造领域的关键问题之一.分析了已有空间分解技术和包围盒方法等的优缺点,并在此基础上提出了改进的空间分解求交方法. 该算法能够精确定位三角形所占的空间网格,一定程度上减少了需要求交的三角形的数量.实验的结果表明,改进的算法提高了采用空间分解进行三角网格求交的计算效率.     

基于CPU系统的PIC时间校正探讨

参考初始时统和CPU时钟时间,通过软件对CPU系统PIC时间进行修正,针对存在滞点、野点和系统误差分别加以解决。     

一种超低噪声抗干扰射频接收前端设计

本文设计了一种超低噪声抗干扰射频接收前端模块,主要特点是超低的噪声系数,并且内部集成滤波器,对近远端的信号干扰都有较大的抑制。超低噪声电路采用0.5μm E-PHEMT,采用超低噪声的电路结构设计。内部滤波器使用2级声表滤波器,完成近、远端抑制功能。射频接收前端模块采用表贴工艺研制,并一体化塑封。     

声学风洞中的高速列车模型气动噪声试验研究

研究借助气动-声学风洞试验平台,首先针对某高速列车的1：8缩尺比例的三车编组模型建立了气动噪声试验方法和突显不同的噪声源的模型处理方法,并结合流场外自由场传声器和传声器阵列的测量结果,分析了模型上的主要噪声源特性及对整个模型的贡献量大小。研究表明：转向架和受电弓噪声是模型的最主要噪声源,其次是车连接部位间隙,再次是鼻尖和排障器,最后是尾车,同时,并给出了这些噪声源的特性,这对于认识高速列车气动噪声和改善设计有重要的参考价值。研究也说明所提出的试验研究方法是一种研究高速列车气动噪声较为有效地方法。     

家具虚拟展示系统的实现

该文探讨了利用虚拟现实技术,如何让顾客使用计算机将商场家具在自家户型中进行交互摆放,展示出预买家具在自己家中的效果.虚拟现实是利用计算机生成一种模型环境,通过各种输入设备使用户投入到该环境中,实现用户和该环境直接进行自然交互的技术.通过三维建模、图像处理等技术,该文介绍了系统开发中所涉及到的不同系列的虚拟家具的建模.最主要的是该文显示了在MFC开发平台上结合开放式场景图,能更好地实现交互地摆放家具,从各个不同的角度更形象更直观地展示各系列家具在任意户型中的效果.     

基于OSG的GLSL着色器编辑环境

随着可编程图形硬件时代的到来,着色器替代了传统的固定渲染管线以实现更加逼真的图像效果.高级着色语言的兴起,给着色器编写带来了方便,然而编写着色器依然带来一些独有的挑战.通过实现一款基于OSG(OpenSceneGmph)的GLSL着色器编辑环境,以大大简化着色器编写,帮助着色器实现者开发一个参数化的着色器,并借助OSG...     

结构正则化多视图非负矩阵分解

现存非负矩阵分解（non-negative matrix factorization,NMF）研究多考虑单一视图分解数据,忽略了数据信息的全面性。此外,NMF限制其获取数据的内在几何结构。针对以上问题,提出一个结构正则化多视图非负矩阵分解算法（structure regularized multi-view nonnegative matrix factorization,SRMNMF）。首先,通过主成分分析来对数据进行全局结构的判别式学习;其次,利用流形学习来捕获数据的局部结构;然后,通过利用多视图数据的多样性和差异性来学习表征。模型提升了算法聚类的整体性能,更加有效地挖掘数据的结构信息。此外,采用高效的交替迭代算法优化目标函数得到最优的因子矩阵。在六个数据集上与现存的代表性方法比较,所提出的SRMNMF的准确率、NMI和Purity分别最大提高4.4%、6.1%和4.05%。