26、设计反思与集体梦想:迈向反种族主义与多元包容

设计反思与集体梦想:迈向反种族主义与多元包容

在当今社会,设计领域正面临着深刻的变革需求,尤其是在反种族主义和多元包容方面。我们需要从有意识的立场出发,重新审视设计,并认识到我们所认知的地理环境对设计的影响。

1. 知识的构成与设计反思的必要性

知识的主体是由大量文化背景中的社会因素构成的,如性别、财富和阶级等。这些因素影响着我们的认知方式和内容。因此,在个人和机构层面,我们需要从伦理上纠正差异表征的实践。“同情”作为一种富有想象力和反思能力的特质,为解决系统性地未能认识到边缘化社会群体的历史、需求和经验的问题提供了丰富的资源。

2. 设计去殖民化的重要性

没有人会故意使用带有偏见和种族主义的表征和艺术,但无意识的偏见可能会导致我们以有害、非人化和种族主义的方式来呈现他人。因此,我们需要对思维进行去殖民化,摆脱种族主义的影响和认知方式。去殖民化意味着重新思考设计,这是一个去殖民反思的过程,即“学会忘却以重新学习”。这包括摒弃通过教育、文化和社会环境所灌输的西方殖民知识,这种知识使白人形成了以欧洲为中心的白人优越论,而将他人视为低等。同时,我们要愿意接受来自欧洲以外的其他知识。

3. 视觉传达设计去殖民化的两个主要方面

视觉传达设计的去殖民化主要包括两个方面:
- 批判主流当代视觉传达话语和表征 :由新自由主义和殖民世界体系所塑造的主流话语和表征,聚焦于性别、种族、性取向、文化、宗教和阶级等问题,这涉及到权力和责任的概念。
- 实践去殖民设计 :超越现有文化中的设计进行重新思考。这种重新思考和重新设计将使设计师和创意人员能够重新想象和开

【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
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