60、设计色彩趋势与色觉测试全解析

设计色彩趋势与色觉测试全解析

1. 不同时代的设计色彩趋势

1.1 复古浪漫风

在设计领域,当时人们渴望从永恒价值中寻求安全感,于是回归到熟悉的过去。他们通过找回旧文献或折衷处理其图像来实现这一目标。逃避现实的欲望体现在各种浪漫态度上,如复古风潮和怀旧提案。设计风格转向小规模的几何或花卉图案,小花饰被单调地添加到所有表面,自由风格在西欧国家盛行。这一时期主导的颜色从中等深度到深色、灰色调、不饱和色、土色、灰棕色和绿色。

1.2 80 年代:个人主义与奢华风

20 世纪 80 年代是一个注重外在表现的时代。极度的自我中心、享乐主义和对社会地位的痴迷,是盲目且快速消费主义群体的显著特征,这是雅皮士的时代,是自我的时代。不断壮大的社会阶层是管理精英组成的新中产阶级,他们喜欢炫耀自己的成功和较高的社会地位。新风格精致奢华,使用奢华的材料并强调美学品质。其本质特征是多元化、风格多样和选择增多。消费者的品味取决于他们的社会地位,与他们的生活方式和对社会文化群体的归属感需求相关。这也是一个对色彩有显著认知的十年,色彩成为了主角。高科技元素融入了由金属、玻璃、塑料贴面和塑料制成的工业产品中。黑色开始出现,它既可以单独呈现,也可以与白色、红色以及银色、金色等金属色搭配,以强调奢华效果。

1.3 90 年代:环保与自然风

20 世纪 90 年代,冷战结束带来了核威胁结束的希望。一种新的思潮促使人们更深刻地认识到处于危险中的环境,也更加关注自然。自然及其保护成为主要议题之一,同时人们也开始关注医疗保健和家庭生活。这一时期最显著的趋势是新的保守态度,它推动了诸如生态、保护家园、强化本土根源和传统以及回归可靠价值观等重要主题的发展。新

【故障诊断】【pytorch】基于CNN-LSTM故障分类的轴承故障诊断研究[西储大学数据](Python代码实现)内容概要:本文介绍了基于CNN-LSTM神经网络模型的轴承故障分类方法,利用PyTorch框架实现,采用西储大学(Case Western Reserve University)公开的轴承故障数据集进行实验验证。该方法结合卷积神经网络(CNN)强大的特征提取能力和长短期记忆网络(LSTM)对时序数据的建模优势,实现对轴承不同故障类型和严重程度的高精度分类。文中详细阐述了数据预处理、模型构建、训练流程及结果分析过程,并提供了完整的Python代码实现,属于典型的工业设备故障诊断领域深度学习应用研究。; 适合人群:具备Python编程基础和深度学习基础知识的高校学生、科研人员及工业界从事设备状态监测故障诊断的工程师,尤其适合正在开展相关课题研究或希望复现EI级别论文成果的研究者。; 使用场景及目标:① 学习如何使用PyTorch搭建CNN-LSTM混合模型进行时间序列分类;② 掌握轴承振动信号的预处理特征学习方法;③ 复现并改进基于公开数据集的故障诊断模型,用于学术论文撰写或实际工业场景验证; 阅读建议:建议读者结合提供的代码逐行理解模型实现细节,重点关注数据加载、滑动窗口处理、网络结构设计及训练策略部分,鼓励在原有基础上尝试不同的网络结构或优化算法以提升分类性能。
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