14、原始交互设计:理念、方法与实例

原始交互设计:理念、方法与实例

1. 原始交互设计的核心理念

1.1 设计即“场域”

世界中的物质和信息元素都与自身存在关联,若设计与存在相关,那么设计的“场域”便存在于每一种存在之中。从这个角度看,设计是一个“场域”,身心并非分离,而是在交互中共同存在。世间万物原本基于依存关系而生,且相互影响。在进行设计时,应创造出融入世界、环境和宇宙流动的设计,这类似于体内平衡与细胞凋亡的关系。

当自我保留功能过强时,人会过度执着于自我而陷入痛苦,这就是体内平衡;而试图摆脱束缚自己的文化限制,投身于世界的流动,这就是细胞凋亡。关键在于无意识的自我保护动作要能顺畅进行。若刻意参与并试图控制世界,就会强化自我世界,最终陷入痛苦。

1.2 无意识状态与“空性”

体内平衡与细胞凋亡之间的来回转换可视为一种无意识状态。大多数人大多处于无意识状态,受无意识文化束缚的人生活在自己的观念世界里,如概念分类、判断和信仰的世界,或是回忆中的过去和想象中的未来的世界,这是一个意识形态的世界,而非体验的世界。他们沉浸在基于文化环境的思想和想象的内在世界中,产生自我存在于当下时刻之外的感觉,也会与外部世界产生分离感,破坏基于持续活动的人类自然行动流。

“空性”是概念思维的判断暂停、世界未被分割的地方,未分割的世界本身就存在于此。人类为了理解世界而用“概念”将其分割,当这种通过概念分割来理解关系的方式被去除时,“空性”就会出现。另一方面,当人类顺利运作时,会以无意识的运动行为行动,关注当下,完全沉浸在当下的外部世界中。本质上,人类本应能够生活在这种流动中,只是遗忘了,这就是“空性”状态。设计的作用不是创造新体验,而是让人们意识到自己早已知道的东西。 <

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
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