11、数据的有形诗学:超越屏幕的感知与洞察

数据的有形诗学:超越屏幕的感知与洞察

1. 数据时代的挑战

在当今世界,几乎每一个行动和交互都以某种方式被数据化,包括感知、测量、聚合、合成、分析和交易。我们的个人数据不仅通过自己的设备、注册的平台和服务被捕获,还通过与他人(朋友和家人)以及其他系统(交通、银行、零售等)的交互,甚至无处不在的监控摄像头收集。

然而,面对海量的数据,我们如何理解它呢?现有的信息可视化方式,如可穿戴设备和移动技术中常见的用户仪表盘设计,虽然有一定的前景,但人们往往只是短暂地参与其中,导致此类可视化服务的放弃率很高。

2. 数据具现化的概念

为了增强人与数据的关系,我们可以尝试将生物和数字领域连接起来,利用人类的整个感官系统(不仅仅是视觉和听觉)来进行意义建构和解读,使复杂信息变得更加具体和丰富,这就是“数据具现化”。

数据具现化意味着从计算机屏幕上的规范数据表示方式中脱离出来,将信息融入到相互交互的活动中,让我们能够更好地利用高度发达的感官。这种方法不仅能让用户以更引人入胜的方式体验数据,还能揭示数据收集的偶然性和局限性,促使我们收集可能被忽视的不同类型的数据,从而改善意义建构、获得更深刻的见解,并有可能实现可持续的行为改变。

3. 人类与机器的意义建构差异

认知不仅仅是人类感知和创造意义的过程,它是一个关联的、复杂且尚未完全被理解的过程。人类的意义建构与从数字数据中得出的算法推理过程有很大不同,人类和机器的意义建构系统在目的和功能上也存在根本差异。

美学和我们从艺术作品中获取意义的方式就是一个很好的例子。美学是主观获得的,它源于我们的记忆、经验与身体感官的动态交织。当我们与艺术作品(如写作、

【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)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分类,实对不同类型扰动的自动识别准确区分。该方法充分发挥DWT在信号去噪特征提取方面的优势,结合ML强大的模式识别能力,提升了分类精度鲁棒性,有较强的实用价值。; 适合人群:电气工程、自动、电力系统及其自动等相关专业的研究生、科研人员及从事电能质量监测分析的工程技术人员;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、模式识别、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效率,为后续的电能治理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的实过程特征提取步骤,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
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