摘要：复杂系统人机交互是汽车人机交互设计教学中的重要一环。依托用户体验实验室多年智能汽车交互研究背景及设备环境条件,在传统的设计教学模式基础上,以智能座舱交互设计为主题,将认知工作分析方法引入研究生课程。课程中,学生自主选择设计载体及交互对象,以城市空中交通(UAM)智能座舱交互设计为例,学生将实地调研、桌面调研、用户调研与认知工作分析方法相结合,推导界面功能架构图,落实到界面原型设计。此外,在实验室的支持下,基于高保真原型,进行UAM智能座舱HMI可用性测试,证明了设计方案的初步可用性与易用性,并进行设计迭代。学生通过课程实践掌握复杂系统交互设计中的分析方法和工具,为后续自主开展相关研究奠定基础。

摘要：旨在探讨澳门文旅元宇宙的设计特征、不足之处与未来可能。元宇宙时代,文旅产业正在经历一场前所未有的生态革命,多重数字技术再造了人类感官,实现了身体的在场,试图完成在文旅拟态环境中的深度沉浸。聚焦澳门地区的文旅元宇宙实践,发现其将人类感官中的视觉作为突破口,为文旅产品提供了更广阔的叙事和表意空间。然而,其过分强调视觉感官的延伸,而忽略了虚拟环境与多感官交互之于深度沉浸的重要性,暴露出设计构思的沉重积习。

摘要：针对四川清音的基本知识结构进行详细梳理分析,从宏观非遗项目和微观清音曲目两个层面实现四川清音外部管理特征和内部音乐特征的知识表示。在知识表示的基础上,从场景、复用、事物、联系、约束、评价6个层面进行四川清音的本体设计,为四川清音的知识组织研究提供规范化的描述框架,实现四川清音知识概念层面语义关联模型构建。结合四川清音具体资源案例,从实证层面实现四川清音的语义关联分析,明确面向四川清音的外部管理型知识和内部内容型知识的语义关联方法,以期为曲艺类非遗的细粒度知识组织提供语义化方案。

摘要：针对具体实践中,二次元文化在食品包装设计中存在一系列不利于市场竞争力提升的误区,文章指出通过对传统文化人物形象的动漫创新、对细分市场进行本土动漫形象创新,以及以大众审美为基础进行个性化本土动漫设计创新等途径,可以实现二次元文化在食品包装设计中的本土化创新。

摘要：准确定位受众对影视动画的发展十分重要,造成我国当代影视动画受众定位不准确的主要原因有:对影视动画作品存在偏见;对动画创作的定位过高、限制过多;对国外动画作品的引进疏于管理;受众定位年龄过低等。通过与时俱进界定动画片的受众群,积极创作具有时代特色的动画艺术作品;在继承和发扬寓教于乐创作理念的基础上,借鉴国外动画创作的经验,对动画的创作和传播进行层次分类,通过提高影视动画研究的学术地位等方法可以有效提升当代我国影视动画受众定位的准确性。

摘要：在《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》中,数字化被列为发展战略,数字创意产业成为当下研究的热点。“动漫产业+文化遗产”的模式能实现数字创意的开发和推广,但自贡恐龙在动漫IP发展的过程中,产业链尚未形成,并存在基础薄弱、核心资源匮乏、产品智能创造能力不足等问题。自贡恐龙动漫产业应开发具有地域特点的角色和漫画,研发动画影像,智能创造动漫产品,以此形成一系列中国特有的恐龙IP,丰富数字创意内容,促进文旅产业发展。

摘要：川剧打击乐是川剧音乐中重要的组成部分,它以丰富的节奏和变化,为川剧表演增添了韵律和张力。然而,随着时代的变化和观众需求的多样化,川剧打击乐也面临着传承困难和创新缺乏的双重挑战。当下川剧打击乐迫在眉睫的问题是解决其传承推广困境和深化其主体创新性,它不仅关系到川剧音乐艺术的发展和繁荣,也关系到川剧非物质文化遗产的保护和传承。

摘要：成都音乐坊以“用音乐共生改变城市”的愿景积极响应成都“国际音乐之都”的建设。为了尽可能进行贴合实际的观察记录、经验描述与理论介入,本文选取成都音乐坊作为代表性个案,加入部分实证分析,并结合空间政治经济学与音乐社会学的研究视野,对成都公共音乐空间建构进行现状摹写与发展思考。

摘要：网络动画成为国产动画发展中最活跃的部分,从文化变迁入手可以更好地观察其不同历史阶段的审美品格。起步期表征为青年抵抗社会变动的亚文化现象,呈现出风格强烈的仪式化美学样式;伴随网络空间的扩张,过渡期的网络动画开始与主流文化合流,在被商业化收编的同时也受到“学院派”的影响,审美杂糅明显;纳入到主流文化消费的快速发展期,既保留了对特定亚文化圈层的指向性文本,又作为主文化文本的成员介入由全球化、现代性等引发的文化自觉进程,成为构建“共同体美学”的重要部分。

摘要：不平衡数据是机器学习中普遍存在的问题并得到广泛研究,即少数类的样本数量远远小于多数类样本的数量.传统基于最小化错误率方法的不足在于:分类结果会倾向于多数类,造成少数类的精度降低,通常还存在时间复杂度较高的问题.为解决上述问题,提出一种基于样本空间分布的数据采样方法,伪负样本采样方法.伪负样本指被标记为负样本(多数类)但与正样本(少数类)有很大相关性的样本.算法主要包括3个关键步骤:1)计算正样本的空间分布中心并得到每个正样本到空间中心的平均距离;2)以同样的距离计算方法计算每个负样本到空间分布中心的距离,并与平均距离进行比较,将其距离小于平均距离的负样本标记为伪负样本;3)将伪负样本从负样本集中删除并加入到正样本集中.算法的优势在于不改变原始数据集的数量,因此不会引入噪声样本或导致潜在信息丢失;在不降低整体分类精度的情况下,提高少数类的精确度.此外,其时间复杂度较低.经过13个数据进行多角度实验,表明伪负样本采样方法具有较高的预测准确性.