18、从地方合作编织实践看设计教育中的学徒式学习

从地方合作编织实践看设计教育中的学徒式学习

在当今的设计研究领域,从地方实践中学习并拓展设计知识空间正成为一个日益重要的方向。本文将深入探讨土耳其一个村庄中女性学习编织的过程,以及这一过程对设计教育的启示。

设计与地方背景的关系演变

设计对地方背景的关注始于20世纪70年代初。当时,西方对“欠发达地区”的援助政策促使设计师接触不同地方并开展项目。这些项目旨在通过确定“欠发达”社会的需求来提供设计解决方案,但设计师帕帕奈克(Papanek)认为设计应关注“集体社会良知和跨文化敏感性”,而非大规模消费。

从20世纪90年代至今,设计与社会的关系更加多样化。设计领域不断拓展,设计师成为变革的推动者,采用参与式和协作式设计方法。同时,诸如外行设计、扩散设计和乡土设计等概念的出现,丰富了设计文化。

如今,从地方实践中学习并多样化设计知识空间成为设计研究的热门领域。许多设计师采用协作方法进行研究和产品开发,将设计师重新定位为学习者。例如,瑞坦(Reitan)研究阿拉斯加村庄女性制作传统服装的过程,认为官方设计学科可以从这种乡土设计中学到很多;瑞茨马(Reitsma)等人呼吁建立一个设计知识和本土知识平等共存的“第三空间”;王(Wang)等人提出“现场制作和评估”以获取深层地方知识并维持设计过程。

地方知识的特征

地方知识是指一个群体在其特定实践和价值观中形成的知识,具有以下特征:
- 情境特定性 :地方知识与特定的社会、地理和时间条件相关,是在特定情境中产生和发展的。
- 非系统性和非制度化 :它不是通过系统的教育或制度传承的,而是通

【电能质量扰动】基于ML和DWT的电能质量扰动分类方法研究(Matlab实现)内容概要:本文研究了一种基于机器学习(ML)和离散小波变换(DWT)的电能质量扰动分类方法,并提供了Matlab实现方案。首先利用DWT对电能质量信号进行多尺度分解,提取信号的时频域特征,有效捕捉电压暂降、暂升、中断、谐波、闪变等常见扰动的关键信息;随后结合机器学习分类器(如SVM、BP神经网络等)对提取的特征进行训练与分类,实现对不同类型扰动的自动识别与准确区分。该方法充分发挥DWT在信号去噪与特征提取方面的优势,结合ML强大的模识别能力,提升了分类精度与鲁棒性,具有较强的实用价值。; 适合人群:电气工程、自动化、电力系统及其自动化等相关专业的研究生、科研人员及从事电能质量监测与分析的工程技术人员;具备一定的信号处理基础和Matlab编程能力者更佳。; 使用场景及目标:①应用于智能电网中的电能质量在线监测系统,实现扰动类型的自动识别;②作为高校或科研机构在信号处理、模识别、电力系统分析等课程的教学案例或科研实验平台;③目标是提高电能质量扰动分类的准确性与效率,为后续的电能治理与设备保护提供决策依据。; 阅读建议:建议读者结合Matlab代码深入理解DWT的实现过程与特征提取步骤,重点关注小波基选择、分解层数设定及特征向量构造对分类性能的影响,并尝试对比不同机器学习模型的分类效果,以全面掌握该方法的核心技术要点。
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