44、桌面领土理论与数字桌面信息探索

桌面领土理论与数字桌面信息探索

1. 桌面领土性实践

在共享桌面工作空间中,人们会进行桌面领土性的实践,即建立和维护各种桌面领土。通常,人们倾向于建立三种类型的桌面领土:个人领土、团体领土和存储领土。

通过对两项观察研究中的领土行为进行仔细分析,发现这三种类型的桌面领土具有动态的空间属性,会随着任务活动的发展而灵活变化。桌面领土性通过提供普遍理解的社会协议,促进了桌面上的任务和团队互动,具体体现在以下几个方面:
- 共享桌面工作空间 :明确哪些区域可用于联合任务工作、协助他人以及进行与团队分开的个人活动。
- 分配任务责任 :有助于将不同的任务合理分配给团队成员。
- 轻松协调对任务资源的访问 :提供轻量级机制来预留和共享任务资源。
- 组织工作空间中的任务资源 :使资源的摆放和管理更加有序。

如果要在数字桌面工作空间中实现桌面领土性的实践,需要将上述桌面领土性的细微差别仔细应用到数字桌面系统的设计中。这一研究成果为设计新的数字桌面工作空间提供了知识基础,也有助于预测潜在的界面和交互设计对协作者的领土行为以及他们的协作互动的影响。

桌面领土性的作用列表

作用 描述
共享工作空间 明确不同用途区域
MATLAB代码实现了一个基于多种智能优化算法优化RBF神经网络的回归预测模型,其核心是通过智能优化算法自动寻找最优的RBF扩展参数(spread),以提升预测精度。 1.主要功能 多算法优化RBF网络:使用多种智能优化算法优化RBF神经网络的核心参数spread。 回归预测:对输入特征进行回归预测,适用于连续值输出问题。 性能对比:对比不同优化算法在训练集和测试集上的预测性能,绘制适应度曲线、预测对比图、误差指标柱状图等。 2.算法步骤 数据准备:导入数据,随机打乱,划分训练集和测试集(默认7:3)。 数据归一化:使用mapminmax将输入和输出归一化到[0,1]区间。 标准RBF建模:使用固定spread=100建立基准RBF模型。 智能优化循环: 调用优化算法(从指定文件夹中读取算法文件)优化spread参数。 使用优化后的spread重新训练RBF网络。 评估预测结果,保存性能指标。 结果可视化: 绘制适应度曲线、训练集/测试集预测对比图。 绘制误差指标(MAE、RMSE、MAPE、MBE)柱状图。 十种智能优化算法分别是: GWO:灰狼算法 HBA:蜜獾算法 IAO:改进天鹰优化算法,改进①:Tent混沌映射种群初始化,改进②:自适应权重 MFO:飞蛾扑火算法 MPA:海洋捕食者算法 NGO:北方苍鹰算法 OOA:鱼鹰优化算法 RTH:红尾鹰算法 WOA:鲸鱼算法 ZOA:斑马算法
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值