栀 梓
(福州外语外贸学院艺术学院,福建 福州 350000)
视觉传达设计以传达信息为主要目的,以视觉为沟通和表现的方式,通过图形、色彩、材质、外观,对信息进行视觉化的设计和加工,准确有效传达信息,从而满足人们信息交流的需要,而精准传达成为设计师、厂商、受众的痛点。这要求我们对用户进行科学的逻辑分析、数据采集与运算,力求以最理性的方式展示受众在接收视觉信息时、进行产品体验时的偏态感知数据,通过数据展示用户的诉求和设计的不足。因此,在进行产品创新活动时,必须将用户作为其创新活动的核心所在[1]。而且,当今市场竞争形势是十分激烈的,用户的需求呈现出更加个性化、多元化的特征[2]。因此,企业在进行产品创新时,应当如何结合用户需求实现视觉传导的有效设计,这是其创新活动是否能够成功的关键所在[3]。具体来讲,可依据用户对于产品的结构、形式、色彩等方面的认知,为创新产品的设计提供借鉴与思考,以此来确保实现产品的成功开发,或者说确保产品是符合消费者偏好的[4-5]。利用用户偏态感知,设计人员能够进一步明确其创新方向,而且为创新活动的进行提供了模板[6],以此方式能够确保在产品设计中,消费者的认知与情感需求都能够得到有效兼顾与考虑,以此方式使得设计人员对用户期望实现更加准确的把握,清楚用户的产品认知[7]。
视觉传达设计不只是对视觉信息的美化,更重要的是人们通过信息来进行准确的交流和准确感知设计的实质,让设计变得高效能。偏态感知数据的分析可以呈现用户内在的个性化诉求,这个数字更能反映个体特征,它可以通过对调研报告的数据采集把用户偏态感知的小数据进行串联,寻找线索的过程就是连接用户情感缺口的过程。为了实现对上述问题的有效解决,本文结合用户偏态感知特征,构建了视觉传达符号化设计。
为了确保产品开发能够成功,需要以用户的偏态感知来确保其视觉传导效果,要求能够从产品数据库中实现对用户意向信息的有效分析和整理。故此,用户偏态感知属于产品开发中重要的辅助过程,对于视觉传达效果的影响是十分突出的。为了能够借助用户认知信息实现视觉传达,要求对用户认知与产品外形特征之间具有的关联性形成清楚的认识。图1展示的是在两者之间所存在的关联图,这种关系属于非线性关系。其中的节点Z表示的是用户感知,相对应的节点A指的是产品的外形特征,能够对产品具有的属性、状态等信息进行反映。为了实现对用户偏态感知的全面分析,通过对用户偏态感知及符号化研究,为该问题的解决提供了思路。
从本质上看,识别与提取用户认知特征属于一项抽象特征较为突出的问题,而这类问题在当前的大脑思维被计算机所模仿这一领域受到了广泛关注。感知度、相似度的具体表达方式如下:代表了感知所含有的特征元素集合;指的是特定用户P的感知层特征元素的集合;N(a)指的是在a中所具有的元素数目;指的是p用户具有感知s要求必须符合的最小特征元素比例值;表示用户p具有感知元素s;表示用户p不具有感知元素s。如果将大于的值分段,那么可以依据偏好水平,使得感知s进行细分,得到I、J两个用户i,j表示与之相对的特征集,当,,时,为i,j的最大感知相似度;当,,时,为i,j的最小感知相似度。
使得符号化反馈动力系统中的有关事件、要素以及各参与值等能够利用概念边实现有效的连接,以得到一种图结构,这就是迭代符号化。具体如图2所示。
图2 用户偏态感知结构及其邻接矩阵
用户偏态感知的数学设计为
上式中,指的是在t时刻,各原因概念所对应的状态,表示了概念Ci对Cj具有的因果关联性的强度大小,f表示Cj与相对应的阈值函数。
表示了用户感知元素集,该集合属于符号化状态集合,而且满足用户所提出的任意感知评价υ,都符合。表示了υ属于的隶属度。
如下式所示表示了产品外形特征元素集
上式中,表示第1项产品外形特征元素集,对应为第p项,合计共有n项外形特征,而且在各项中都含有多项特征元素。
为了能够准确判别外形特征元素和感知元素之前的关系,对其形成清楚的认识,在本文中,利用符号化实现了对用户偏态感知结构的确认,而且还得到了邻接矩阵。符号化(Symbolic design,SD)属于一种模拟进化算法,是最近几年刚刚兴起的,这种方法是具有很强的鲁棒性的,而且方法运用方式是十分灵活的。
定义1.群体相似度指的是在某局域环境中,某待聚类对象与其他模式相比具有的相似的水平,可将其进行界定得到定义如下:
上式中,Neigh(r)指代的为所处的局部环境,对应到二维空间中表示的是一个圆形区域,将其半径进行界定为 r;d(Oi,Oj)指的是在对象属性空间中,Oi、Oj两者之间具有的距离水平。具有的相似度系数值为w,此时的蚂蚁速度是均匀分布在区间[1,υmax]内的。
定义2.概率转化函数,利用该函数是能够实现群体相似度的有效转化的,得到待聚类对象概率函数,具有的拾起概率Pp、以及相对的放下概率Pd依次表示为
在上述两式中,K1,K2指代的为阈值常量。如果在对用户感知因素进行类别划分时,可依据多个外形特征指标,那么此时将聚类空间对应的多维空间中,则此时以 A={XiXi=(Xi1,Xi2,···Xin)}表示感知元素数据对象的集合。Xi与Xj之间具有的加权欧氏距离表示为
P表示加权因子,该值的确定将会依据对应指标数据对聚类关系的影响程度。
定义 3.平均适度(mean-fit)能够对整个的空间中,节点据欧的聚类程度进行反映,具体为
N指的是在样本空间中具有的节点个数;F(N)其取值处于[0,1]之间,而且在聚类实现过程中,得到的平行适度将会不断提高,以获得最大值。
为了增强对用户认知与产品外形特征两者关系的充分认识和分析,以汽车产品为例,采用“7C”法则来进行偏态感知的数据采集与分析,并及时进行正迭代设计。具体法则包括以下内容:搜集(collect),以调查问卷的方式搜集和用户有关的习惯、兴趣、感受等信息;线索(clue),以访谈的形式寻找能呈现用户真实自我的细节;连接(connect),通过问卷与访谈搜集的信息寻找到用户大致的偏态感知和情感缺口;关联(correlation),通过数据分析发现用户的偏态感知缺口第一次出现,是在什么时候,是由于什么引起的;因果(Causal),就是确认小数据促使用户产生了什么样的偏态情感;补偿(compensate),指的是从用户的情感中,发现他们没有被满足的欲望,对此进行补偿;观念(concept),用创意设计出可操作的补偿办法,进行迭代设计,弥补用户偏态感知,满足用户的欲望。通过获取用户偏态感知数据并对数据进行分析,探索两者内在的关联性。
具体做法是将典型产品的外形特征以对应图例进行展示,所涉及到的外形特征主要有车体、内饰、轮胎、车顶、线条等等,通过特征识别,针对具有不同外形特征的汽车产品进行提炼,得到表1展示的用户感知元素。
表1 用户偏态感知特征元素
本文所使用的用户为500名被调查分析的用户。对这些用户对于产品外形特征进行的如语义差分值则表示了认知元素具有的隶属度,将其以符号化集的形式进行表征。对应10级符号化测量等级。在本文中,对于产品外形特征元素的记录取值为平均值,其中满足础上得到了表2所示的用户偏态感知数据,这些信息与产品外观特征具有较强的关联性。
表2 用户感知数据库
P1 0.94 0.9 0.86 0.72 0.84 0.67 0.82 0.54 0.5 0.69 0.7 0.74 0.23 0.98 0.74 0.63 C50 P2 0.87 0.31 0.74 0.34 0.59 0.21 0.5 0.65 0.86 0.77 0.3 0.46 0.74 0.45 0.67 0.88 P3 0.63 0.48 0.47 0.56 0.37 0.76 0.96 0.78 0.57 0.44 0.53 0.69 1.01 0.89 0.33 0.38 P4 0.46 0.63 0.38 0.96 0.89 0.86 0.57 0.48 0.62 0.91 0.44 0.79 0.7 0.57 0.39 0.82 P5 0.93 0.67 0.56 0.72 0.74 0.79 0.86 0.53 0.73 0.95 0.32 0.48 0.69 0.22 0.33 0.94 P6 0.77 0.41 0.78 0.65 0.76 0.84 0.94 0.47 0.75 0.56 0.92 0.7 0.55 0.37 0.58 0.7 P7 0.98 0.78 0.46 0.87 0.44 0.86 0.39 0.83 0.6 0.34 0.57 0.99 0.75 0.48 0.63 0.3 P8 0.44 0.3 0.2 0.24 0.33 19.09 0.45 0.32 0.15 0.22 0.43 0.5 0.25 0.3 0.38 0.49
分析表1能够得出,通过符号化与最合适区域法是能够从中成功得到两者的聚类结果的,具体结果如下所示。此外,还得到了归一化邻接矩阵,利用M atlab7.0能够得到符号化,初始设置为:k1=0.1,k2=0.3,ω=0.5 蚂蚁数目 mant=20,循环次数 n=300。
图3 用户感知产品外形特征关联分析结果
如图3a,展示的是用户对于车体的感知聚类效果。右侧的图3b展示的是用户基于张扬等认知基础上,对前等、线型等具有的感知聚类效果。分析可得,通过最合适区域法能够发现,相较于精致感知,车体对运动感知具有的影响更为突出,仪表则对精致感知具有更强的影响,座椅对运动感知具有更大的影响。
用户偏态感知的获得和分析涉及到的知识领域十分宽泛,但整个过程较为复杂,用户感知具有符号化性以及较大的不确定性。在本文中以迭代符号化测量度,成功获得用户偏态感知,并且还在偏态感知中将符号化集引入其中,对其具有的不确定性特征实现了充分的反映。而且,通过迭代符号化,详细描述了产品的外形特征,用户认知的相关信息,进一步明确两者之间的非线性关系,充分将其运用到产品设计中。当前,该方法已经在实际中展示了较好的效果,对于当前产品开发中未能够实现对用户偏态感知的有效获取和分析,以及两者关联性不强等问题,得到了较好的解决。
[1]Cazetta,E.,Galetti,M.,Rezende,E.L.,&Schaefer,H.M.On the Reliability of Visual Communication in Vertebrate‐Dispersed Fruits.Journal of Ecology.2015,100(1):277-286.
[2]Do,M.N.,Nguyen,Q.H.,Nguyen,H.T.,&Kubacki,D.Immersive Visual communication. IEEE Signal Processing Magazine.2011,28(1):58-66.
[3]Descout,J.,Decottignies,A.,Vaconsin,P.,Fortineau,V.,Barbault-Foucher,S.,&Rieutord,A.The Obeya Board,More Than Visual Communication,a New Paradigm for Management.Plos Biology.2015,12(11):999-1002.
[4]Minichiello, & Mario. Drawing as visual Communication.European Journal of Pharmacology.2012,305(1-3):73-78.
[5]Zhang,K.,&Zheng,X.S.Special Issue on Visual Information Communication– Theory and Practice.Information Sciences.2016,330:424-426.
[6]Mcinerny,G.Embedding Visual Communication into Scientific Practice.Trends in Ecology&Evolution.2013,28(1):13-14.
[7]Poland,G.A.,&Poland,G.A.Visual Vaccinology– the Importance of Visual Communication.Vaccine.2013,31(41):4465-4465.