网络安全等级保护测评中测评结论的度量方法优化

文章分析了网络安全等级保护2.0时期国家标准的新变化对等级测评结论可能产生的影响,并用实际案例和数据论述了以往描述的基于测评指标和基于测评对象的定量分析方法存在的局限性。根据网络安全等级保护国家标准结构和内容的新特点,结合新的等级测评结论表述方法,文章提出了调整和优化定量计算产生等级测评结论的思路,给出了缺陷扣分的原理和缺陷扣分的定量计算方法,并比较了各种定量计算方法在计算结果上的差异,提出了适合新标准的测评结论定量计算公式。     

南水北调西线工程可调水量分析

在受水区缺水形势严峻的情况下，引水工程可调水量的确定主要与三个因素有关：一是引水河流及引水坝址径流量；二是坝址上下游用水要求；三是引水水库工程规模。在考虑各种因素影响后，提出各引水坝址可调水量占坝比径流量的比例在70％左右比较合适，按现阶段推荐的两种方案，可调水量可达160亿－170亿m^3.     

基于《压缩式垃圾车》(CJ/T 127 2000)行业标准的后装压缩式垃圾车的几点优化建议

后装压缩式垃圾车集自动装填与压缩、密封运输和自卸为一体, 自动化程度高,如在结构减重、推出板有限元分析、液压系统优化、绿色设计及密封优化等方面进行设计优化和改进,将直接使车辆的装载量、密封性、环保性、稳定性、作业可靠性及行驶安全性得以提高.     

基于互联网图像集的室外场景建模技术综述

目前在互联网上有海量的室外场景照片,它们不仅内容覆盖面广,对同一场景有大量不同视点和光照条件下的采样,而且获取成本很低.如何利用这些照片中包含的丰富场景信息,快速、方便地构造各种逼真的虚拟场景,是互联网迅猛发展给虚拟现实、计算机图形学和计算机视觉带来的新的研究课题之一.文中分析、总结了近年来国内外互联网图像的真实场景几何建模、自然光照建模和材质反射属性建模的最新研究进展,并对其未来的发展趋势提出了一些看法.     

一种基于偏最小二乘法的室外光照估计算法

针对固定视点下的室外场景在线视频光照求解问题,提出一种基于偏最小二乘室外场景实时光照估计算法.在离线阶段提取场景中对光照变化较为敏感的区域,并将这些区域像素值的均值与方差的无偏估计作为场景图像的统计参数,再利用偏最小二乘回归分析建立场景的光照参数与图像统计参数之间的模型;在在线阶段使用所建立的模型实时估计视频每一帧的光照条件.实验结果表明,使用该算法所求解的光照参数对虚拟物体进行绘制并将其融入视频中后,合成场景真实感很强.     

基于智能垃圾桶的垃圾分类动态收运路径优化问题研究

针对城市生活垃圾分类收运过程中存在的环境二次污染和垃圾产生量不确定性等问题,提出了一种基于智能垃圾桶的动态收运车辆路径优化方法。建立以最小化碳排放成本、燃油消耗成本、固定成本和车辆延迟到达惩罚成本为目标的动态车辆路径优化模型。采用滚动时域的方式将动态问题转换为一系列静态问题,并设计两阶段算法进行求解。首先采用粒子群算法对收运车辆路径进行规划,而后在每个时域末,综合考虑待清运垃圾桶的位置和垃圾量、垃圾收运车辆的位置和装载量以动态调整现有车辆路径。研究结果表明,相较于传统的静态收运方案,动态垃圾收运方案能够在降低车辆运输成本和碳排放成本的同时,显著降低由于清运不及时造成的环境二次污染的风险。     

基于等级保护的财政信息系统安全建设探讨

以我国信息安全等级体系规范和标准为基础,分析财政信息系统的安全保护等级模型,讨论和设计财政信息系统网络安全域的划分和等级保护方案,提出方便有效地进一步完善财政信息系统安全的保障措施。     

政务终端安全面临的问题与对策研究

文章首先对政务终端安全和CGDCC进行分析,其次剖析政务终端安全在部署实施、技术支撑、安全建设等方面面临的问题。最后提出从调度、验证、审计等方面,结合等级保护标准,强化政务终端安全的解决方案。     

住宅区室外环境的人情味探索

本文从现代生活对居住环境的要求出发,指出目前我国城市住宅区空间环境规划设计中普遍存在的过于理性化、简单化、标准化的构成模式的不合理性。呼吁建筑师、规划师们应广泛根植于人民,关怀每日所居住的生活环境,了解当地居民的心理机制、行为需求、情感意志、文化趣味等,并以此作为唯一依据,从宏观控制入手,根据住宅区的时空特性进行规划设计,进而创造出能真正适合于当地居住对象所需要的、富有人情味的居住环境,以确保其生活品质。     

基于改进MobileNet v2的垃圾图像分类算法

针对现有的垃圾图像分类模型实时性能差和分类精度低的问题,提出基于改进MobileNet v2的垃圾图像分类方法,构建以MobileNet v2为核心的轻量级特征提取网络. 通过调整宽度因子降低模型的参数量;在模型中嵌入通道和空间注意力模块,增强网络对特征的细化能力;设计多尺度特征融合结构,增强网络对尺度的适应性;利用迁移学习的方式优化模型参数,进一步提高模型精度. 实验结果表明,算法在自建数据集上的平均准确率为94.6%,分别高于MobileNet v2、VGG16、GoogleNet、ResNet50、ResNet101模型2.0%、3.4%、3.2%、2.3%、1.2%;所提算法在2种公共图像分类数据集CIFAR-100和tiny-ImageNet中均取得不错表现;模型参数量仅为0.83 M,体积约为基础模型的2/5,在边缘设备JETSON TX2上的单次推理耗时68 ms,实现了推理速度和预测准确率的提升.