微极弹性有限元法在分析具有复杂微结构的材料上有着广泛应用。针对现有实现通常采用完全积分方案而导致的计算效率低以及弯曲工况下出现剪切锁定的问题，提出一种通用高效的缩减积分一阶六面体微极有限单元，并通过海洋结构物通用分析软件SAM进行算例验证。单元算法结合标准拉格朗日插值和均匀应变与曲率公式，能够通过单元分片检验并保证畸形单元计算的准确性。同时，引入一种人工刚度方法，有效抑制缩减积分微极单元的位移和旋转沙漏失稳模式。通过数值验证，包括力和位移分片检验确认单元的收敛性，悬臂梁纯弯曲测试评估单元在剪切锁定问题上的改善效果，以及对船舶常用夹芯结构进行振动响应模态分析，验证了该单元在船舶结构有限元分析中相较于传统实体单元的有效性和优势。

有限元(FE)计算中形函数的高效与准确评估对单元刚度组装与全局求解至关重要。本文提出了一种面向变节点数单元类型输入的图神经网络形函数近似框架。首先，通过可学习的类型嵌入将离散单元类别映射为连续向量，以支持跨类型参数共享；其次，节点编码器处理几何与目标点信息，图卷积在局部邻域内传播几何约束并结合全局池化获得单元上下文信息；最后，解码器在节点与单元级特征基础上输出形函数值并引入节点均方误差(MSE)与物理约束相结合损失函数，保证预测结果满足形函数约束条件。在模拟线性四面体单元与二次四面体单元数据集上的实验表明，模型在测试集上MSE约为0.001 8，在全局范围内能够较准确地计算形函数值，并在大规模计算环境下，神经网络推理在吞吐率上约为插值方法的3倍，为用学习方法替代或加速形函数评估提供了新的实现路径。

在流程制造这类连续化生产场景中，产品均质化直接决定了用户体验的稳定性与满意度，其核心价值不仅体现在产品性能一致性上，更对生产效率提升与成本控制具有重要意义。然而，流程制造过程中各类工艺参数相互耦合，关联关系复杂，导致现有模型预测延迟高、精度较低。基于上述问题，提出了基于灰色关联分析(GRA)和Transformer-MC-CF的流程制造工艺质量指标多阶段、多步预测模型：首先，针对流程制造的多变量参数冗余问题，使用灰色关联分析量化各工序输入参数与质量指标的关联强度，筛选关键影响参数，剔除低关联度冗余变量，既降低模型计算复杂度，又避免无关信息干扰特征学习。然后，构建基于Transformer的多阶段、多步预测模型，针对多因素相互耦合导致的局部特征融合不足问题，设计了多通道感受野模块(MC-RFB)，通过多尺度卷积与膨胀卷积的组合，兼顾局部细节特征与长时序依赖关系的捕捉；面向流程制造的工序连贯性特点，提出了关联特征融合(CF)模块，采用自适应加权策略融合上下游工序的隐特征，有效挖掘跨工序间接影响关系。实验结果表明，采用GRA方法有效提升了模型的预测效果。与其他传统模型相比，提出的Transformer-MC-CF模型在流程制造质量预测场景中相比其他模型领先超过4.6%，多工序、多步预测的平均拟合度达到了97.5%，为有效提升流程制造质量指标预测和调控能力，实现均质化生产提供了技术支撑。

整体开粗是减材制造中的首阶段，通过高效切除毛坯上大部分余量(行业实践通常达70%~90%)，使工件形状和尺寸初步接近成品。其核心在于快速材料去除，直接决定加工效率。此前粗加工中的刀路生成算法主要使用环切方式，虽能得到较好的加工质量，但无法保证加工效率。考虑到这个问题，以及目前数控机床配备自动换刀功能已成主流，提出了一种基于碰撞检测的新型二段式粗加工优化算法。首先利用GPU并行计算进行碰撞检测快速确定可行加工域，并采用大直径刀具实施首段行切(DP)路径实现大范围去料切除；继而通过精准更新残留域边界，切换小直径刀具生成二阶段环切(CP)刀路进行精密环切。实验与加工仿真表明：相较于传统CP模式，该策略在保证加工表面质量的同时显著提升加工效率(增幅>17%)，提供了缓解粗加工阶段质量与效率难以兼顾的核心矛盾的新思路。

在大规模个性化定制生产背景下，柔性作业车间调度面临动态需求响应迟缓、多任务集成优化效果有限以及方法自适应性不足等关键挑战。为有效提升调度方案的优化质量、生成速度与自适应能力，聚焦动态环境下多资源协同与多任务集成的实时调度问题，提出基于多智能体深度强化学习的柔性作业车间自适应实时调度方法，并研发自适应实时调度求解器。首先，构建基于多智能体深度强化学习的自适应实时调度框架，建立仿真环境与调度智能体的交互机制，形式化描述分布式决策智能体的部分可观测马尔可夫决策过程；其次，构建基于对象的调度仿真环境，创建机床、工件等资源类与仿真类，全面表征柔性作业车间的典型资源特性与动态行为；接着，设计支持机床分配与作业排序的调度智能体，开发包括基于价值、策略以及价值-策略混合的深度强化学习算法库，以适配多类型调度场景与复杂约束；最后，研发支持多任务、多约束柔性作业车间调度的求解器，设计策略训练与问题求解模块，实现对不同应用场景的自适应优化求解。数值实验结果表明，该调度方法在已知与未知场景下均表现出优良的泛化性与实时响应能力，能够有效应对复杂多变的调度问题。在案例应用中，该调度求解器在保证优化效果的前提下，计算响应速度展现出显著优势。研究结果表明，面向智能制造的柔性作业车间自适应实时调度方法及求解工具可有效应对多资源调度挑战，为离散制造业的智能化与自主化转型提供有力支撑。

基于大规模点云的船体逆向建模技术在数字孪生、水动力性能分析方面存在较为实际的需求，目前针对船体逆向建模中大规模点云数据处理问题的特殊方法较少，常规方法多依赖部署训练成本较高的神经网络模型或国外商业软件。所以，开展船体轻量化逆向建模一站式方法研究，具有一定的工程应用价值：首先采用栅格化技术对点云数据进行压缩预处理，在保留船体宏观几何特征的前提下，将数据规模压缩90%以上，显著降低后续算法计算负荷；然后基于船体几何特征设计轮廓线检测与拟合算法，运用最小二乘法实现边界修正，确保完整性与光顺性；最后采用基于斜率异常检测的光顺算法，通过斜率异常侦测、初步修正和深度光顺3个步骤，高效地实现纵向和垂向的全船型线自动光顺处理。该方法经过2组不同船型的验证，与商业计算机辅助设计软件建立的参考模型相比主尺度误差(+0.24%~+2.68%)与排水体积偏差(-1.05%~-0.88%)仅存在微小偏移，均处于可接受范围内，且在常规计算机上5 min内即可完成，在船体逆向建模、船舶数字化以及三维生成式大模型的船型光顺等相关领域具有一定的应用潜力。

概念设计是指在初步设计阶段，由原始需求提出到初始方案生成的过程。针对船型设计在该阶段需求变动频繁、母型依赖性较强、多方案并发设计成本较高等问题，立足无近似母型场景，探索并提出了一种以船型为对象的条件生成对抗模型，且将阻力性能作为条件标签，生成满足性能指标需求的船型几何方案。首先，利用参数化建模方法构筑无附体船的轮廓特征曲线，筛选获取用以表征该船型的几何参数，并得到相匹配的三维网格。其次，依据积分理论从三维网格获取该船型的特征面面积及船型系数，利用所开发的性能预报平台自动化接口，构建几何参数与性能表征一致性数据集。最后，在传统生成对抗网络(GAN)基础上，通过多层感知机对以阻力为代表的条件特征进行编码，再与生成器隐藏层中的几何特征进行叠加，以引导学习不同阻力表现下的船型样本分布，并生成符合条件约束的船型几何参数。初步实现了不依托母型信息的、从典型总体性能出发的船型正向设计过程，为需求不确定情况下的概念方案快速生成与迭代优化提供了设计基础。

为实现云端CAD文件的快速存储，提出一种基于命令流的云端CAD文件存储方法。构建命令流数据存储模型，将客户端操作命令分类表示为命令流，并以键值对的形式进行增量传输存储；构建命令流日志模型，以命令作为最小事务单元，将用户建模操作表示为可记录、可重放和可验证的操作日志序列，实现命令流原子性写入、命令重放、版本追踪与状态恢复。同时，搭建云端CAD文件存储架构，包括交互模块、命令流处理模块和数据存储模块，采用双层存储模式分别存储命令流、几何和拓扑数据。经实例测试，表明该方法能够快速且准确对云端三维CAD文件进行传输，验证了该方法的有效性。

卷烟通风率的稳定性受激光打孔方式、设备参数等多种因素影响，导致传统方法难以全面捕捉这些因素的复杂交互作用，无法有效适配长程依赖关系建模需求，进而难以准确控制烟支通风率精度。为此，提出基于自适应多尺度时序注意力网络(AMTA-Net)的卷制过程激光打孔通风率预测模型。首先，针对激光打孔工艺参数与烟支品类维度不匹配的问题，设计了激光打孔类别特征嵌入模块，通过独热编码与可学习嵌入矩阵的结合，实现了烟支类别与打孔数据的特征融合；其次，为捕捉孔形态与烟支通风率间的复杂非线性关系，设计了多尺度特征融合模块ELAN-1D，该模块采用双层卷积结构，通过不同膨胀率的卷积核和残差结构实现时序特征的深度提取与局部-全局信息的有效捕捉；最后，为刻画孔形态特征的空间异质性与序列关联性，构建了序列注意力特征融合模块，并结合多尺度序列卷积与交叉注意力机制，实现对打孔形态-通风率映射关系的“通道-序列”双维度交叉逻辑建模。实验结果表明，AMTA-Net对滤棒通风率和总通风率预测的均方误差(MSE)低至6.799×10^-4和6.874×10^-4。相比基线模型，AMTA-Net对滤棒通风率和总通风率的预测MSE分别降低了28.96%和20.61%，平均绝对误差(MAE)分别降低了18.16%和11.51%；相比传统模型，AMTA-Net对2项指标的预测MSE和MAE分别降低了15.64%和8.05%以上。AMTA-Net为激光打孔工艺的精准调控、实现卷烟降焦减害提供了有力的模型支持。

维保时机强调装备停机的主动性，是在性能退化达到预设值前，结合工程节奏合理安排停机检修。该任务的精准预测对装备可靠运行至关重要，但仍面临多源数据融合、退化特征量化难及长依赖学习等挑战。因此提出一种基于退化感知时序建模的装备维保时机预测方法，以动态表征装备连续运行过程中的性能退化，并自适应捕获多传感器数据间的深层依赖关系。首先，提出性能退化指标(PDI)，通过时序数据驱动的性能量化器，实现动态的装备性能衰减感知；然后，构建基于多头注意力机制与序列到序列的维保时机预测模型，以自适应学习多源特征的相关性；最后，融合退化感知参数以强化特征权重分配，提升模型对装备长期运行趋势的预测能力。实验结果表明，融合PDI后模型最佳性能提升近13.5%，在隧道掘进机(TBM)工程数据集上较标准长短期记忆网络(LSTM)的均方根误差(RMSE)提升约25%，相比其他模型提升近15%以上，实现了较高的预测精度。在C-MAPSS数据集上与循环神经网络(RNN)和图神经网络(GNN)及注意力机制等主流时序预测方法进行了对比验证，结果表明该方法在维保时机预测任务中表现最优，并详细分析不同传感器数量对模型性能的影响。此外，该方法具备良好的可扩展性，可进一步融合装备运行环境信息感知，为装备的智能运维决策与操控闭环提供技术支撑。

为了实现低分辨率绝缘子红外图像的高精度检测，提出了基于类内稀疏先验和改进YOLOv8的红外多尺度绝缘子检测方法。针对绝缘子图像存在局部密集导致漏检的问题，提出了通用性的类内稀疏先验，将先验知识和训练数据结合，使模型感知绝缘子独有的几何特征和形态信息，可以无计算代价地提升目标检测模型的精度，并提供一种绝缘子数据样本的规范化标注方法；针对红外图像分辨率低导致特征提取困难的问题，将鲁棒特征下采样模块替代卷积下采样，保留细粒度细节信息，增强关键特征图的鲁棒表示；针对绝缘子尺度变化大且存在目标遮挡的问题，设计了wise-MPDIoU改进边框损失函数，以改善模型对不同尺寸绝缘子的定位能力。实验数据表明，相比于基线模型，在AP50和AP50:95指标上分别提升3.3和3.5个百分点，为绝缘子热像检测提供了新的方案。

皮肤病变分割是医学图像分析中的一项重要任务，对于皮肤类疾病的早期诊断和治疗具有重要意义。然而，在处理高分辨率皮肤图像和捕捉细微病变特征时，现有模型仍面临着计算复杂度高以及冗余信息处理不足等挑战。为此，提出一种基于Mamba结构的轻量级皮肤病变图像分割网络ResMamba，采用六级U型结构，主要通过将Mamba嵌入到视觉状态空间中同时引入到编解码器中，ResVSS模块作为编码器的核心组成部分，通过删除冗余线性层可减少参数量，同时结合深度卷积块和可学习尺度参数对残差连接进行缩放，从而通过降低模型复杂度来提升分割精度。在跳跃连接模块使用多级、多尺度信息融合模块生成空间和通道注意力图，有效融合了多尺度信息。通过在公开皮肤数据集ISIC2017和ISIC2018上进行实验验证，结果表明，ResMamba模型在平衡参数数量和分割性能方面都具有较好的分割性能，验证了该模型的有效性。

语义分割技术作为自动驾驶环境感知的核心任务，在复杂光照和高速运动场景下面临着传统相机成像质量不足的挑战。事件相机凭借微秒级时间分辨率和高动态范围特性，能够有效克服运动模糊和极端光照条件，但其异步稀疏事件数据缺乏纹理和色彩信息，且背景和目标运动导致事件分布不均匀，为语义特征提取带来显著困难。针对这些问题，提出了一种融合多频超图的事件图像语义分割方法。首先通过频率分解模块提取事件帧的多尺度时空特征，以分离高频运动边缘与低频结构信息；继而设计动态超图构建算法，将不同频率特征映射为超图节点，利用超图卷积捕获跨频率的长程依赖关系，最后通过注意力机制自适应融合特征，增强类别间的判别性。在Carla-Semantic和DDD17-Semantic数据集上的实验表明，该方法在MPA(88.21%)和mIoU(82.68%)指标上优于现有事件分割方法，验证了多频超图模型对事件数据语义理解的提升效果。为基于事件相机的鲁棒性环境感知提供了新思路，特别适用于自动驾驶中的低光照、高速运动等挑战场景。

随着咖啡文化的普及和消费需求的增长，咖啡果实的成熟度成为决定品质和市场价值的关键因素。然而，不合理采收导致品质参差不齐，影响经济效益。通过先进成熟度检测技术，可提升采摘精准度，为农户提供数据化决策支持，但在复杂背景下现有方法的鲁棒性和高密度小目标检测方面仍存在技术挑战。因此，提出一种基于图像分块交互的咖啡树果实成熟度预测模型，通过引入空间分块交互注意力机制(SBIAM)实现局部特征和全局特征信息的互补融合，使得模型既能聚焦果实区域，又能有效抑制背景干扰，增强模型对关键特征的关注能力。此外，引入归一化Wasserstein距离(NWD)损失函数解决咖啡果实分类较多出现预测位置偏差等问题，提升复杂场景下咖啡果实成熟度检测的精度和鲁棒性。实验结果表明，改进模型不仅提升了检测精度，还实现了性能与效率的良好平衡。

针对无人机(UAV)视频数据集采集成本高，现有数据普遍存在规模有限、应用场景单一，且现有无监督目标跟踪方法通常只用于通用数据集设计，对UAV的复杂场景难以学习可靠信息等问题，提出一种无监督UAV目标跟踪模型，其基于时间周期一致性与动态记忆增强。首先，将显著性目标检测引入无标签的对象发现，并与无监督光流技术结合，引入基于图像熵的动态规划，提高伪标签的质量。其次，为视频中的每一帧定义权重，并利用这些权重进行单帧训练，以更全面地利用每一帧的信息。最后，借鉴长短期记忆网络的思想，将记忆队列转变为动态记忆队列。设计自注意力分支且作为记忆队列的门控机制，并控制队列的记忆与遗忘，在不增加队列长度的同时，实现长跨度下的目标特征变化学习。该方法在UAV数据集上的准确率达到了68%，领先于其他无监督跟踪器，与一般有监督跟踪器的性能持平。在一般场景数据集上也与其他无监督跟踪器性能近似，准确率达到77%。在UAV数据集和一般场景数据集上的实验结果表明，其在快速运动和大尺度变化场景性能方面有较好提高。

训练集和测试集之间的分布差距使深度学习模型在泛化方面面临挑战。通过系统分析，可发现2个亟待解决的关键问题：训练数据到测试数据的知识迁移优化不足，以及数据集中类别不均衡的影响。针对这些挑战，提出了一种新颖的测试时适应算法——可信伪标签微调方法(FTP)。通过优化样本选择过程，筛选出熵值较低的测试样本构建微调数据集，并结合原训练集实现模型微调，显著提高图像分类模型在测试集上的泛化性能。在MNIST，FashionMNIST和CIFAR10数据集上进行了广泛实验，结果表明结合FTP的图像分类模型在测试集上普遍获得性能提升，准确率最高提升约3%，F1分数相应提高，且优于TENT，COTTA，EATA和OSTTA等当前常用测试时适应方法。此外，基于梯度的可视化分析证明，经FTP微调的模型在保持高预测准确性的同时，依然维持了良好的可解释性，为实际应用提供了可靠保障。

盲图像超分辨率(SR)问题旨在从退化模式未知的低分辨率(LR)图像中恢复高分辨率(HR)图像。当前，大多方法主要通过估计模糊核对图像退化过程进行显式建模。然而，现实世界中的图像退化情况复杂、多样，以显式建模方式很难全面涵盖多种退化。隐式建模虽在处理复杂退化时更具成效，但模型结构较为复杂，且参数量庞大，这不仅导致了高昂的计算成本，还使得模型的稳定性欠佳。为此提出了一种基于退化分离的轻量级盲超分辨率重建(BDSSR)方法，通过隐式学习机制实现高效重建。BDSSR的核心框架由退化因子消除器(DFE)和特征融合SR(FFSR)网络组成。DFE将含复杂退化的图像分离为仅含双三次下采样的清晰LR图像和非双三次退化特征(如噪声、模糊)。其中，清晰LR图像为SR过程提供优质输入，减少噪声与模糊干扰；分离出的退化特征则通过特征调制系数与SR网络融合，实现对网络权重的自适应调整，引导模型聚焦高频细节的精细化重建。FFSR进一步采用多尺度卷积策略，通过跨尺度特征的高效融合增强对图像内容的捕捉能力，从而生成丰富逼真的细节，在轻量化架构下实现了对复杂退化的鲁棒性。实验结果显示，BDSSR在多个标准数据集上表现出优越的性能。以 Urban100数据集为例，在×2和×4放大倍数下，BDSSR的PSNR值分别比DASR提高了0.97 dB和0.47 dB，SSIM值提升了0.012 2和0.015 8，其参数量仅为1.7 M，约为DASR的3/10，不仅提供了新的理论视角，还在实际应用中具有广泛前景，为盲超分辨率技术的发展贡献了新思路和工具。

利用多参考图像引导视频上色是一种高效的用户意图引导上色方法，且可更好地应对视频中的场景切换。针对上色过程中如何合理分配参考图的色彩、确保上色结果忠实于用户提供的参考图，并保持色彩自然性和时序一致性等问题。提出了一种基于多参考图像的视频上色方法。首先，设计了参考图像特征提取与推荐模块，通过卷积神经网络(CNN)提取多张参考图像的特征，并计算其与待上色灰度帧之间的语义相似度，以此为基础为灰度帧推荐色彩信息。接着，时序色彩模块引入约束注意力机制，通过前一帧的色彩信息为当前帧提供色彩建议，从而确保色彩过渡的自然性与时序一致性。然后，色彩融合网络将参考图像推荐的色彩与时序色彩特征进行融合，解决了来自多个色彩源的色彩冲突，生成协调一致的色彩表示。最后，解码器模块将融合后的色彩信息解码为最终的彩色视频帧。实验结果表明，该方法在多个公共数据集上表现优异，特别是在复杂场景切换时，生成的视频在视觉效果、色彩过渡平滑度和整体一致性方面均有显著提升，展示了其在视频上色领域的广泛应用潜力。

钢拱塔是钢拱斜拉桥的主要承重结构，其表观病害(如腐蚀、剥落和裂缝等)的早期检测与评估对保障桥梁结构安全至关重要。针对传统人工检测方法效率低下、主观性强且难以覆盖高空隐蔽区域的问题。提出了一种基于改进YOLOv8n-Seg深度学习框架与OSRA注意力机制的智能检测方法。利用自主研发的轮轨式检测机器人系统采集钢拱塔内部高分辨率图像数据，结合开源数据集构建了包含5 846张原始图像的多病害数据集，并通过随机裁剪、镜像翻转和亮度调整等数据增强技术将样本量扩展至23 378张图像。在算法设计层面，创新性地将OSRA注意力模块嵌入YOLOv8n-Seg网络的特征融合层，通过重叠分块策略和局部细化机制显著提升了模型对不规则边界和微小病害特征的捕捉能力。结果表明：优化后的YOLOv8-OSRA模型在独立测试集上取得了显著的性能提升，锈蚀检测mAP@0.5达到90.9% (提升2.6%)，裂缝识别精度达到87.0% (提升1.1%)，剥落检测准确率达到81.9% (提升2.1%)。消融实验进一步验证了OSRA模块在保持计算效率(仅增加0.8% GFLOPs)的同时，其性能优势显著优于SE和CBAM等注意力机制。研究成果为钢拱塔病害检测提供可部署于移动检测设备的轻量化解决方案，且提出的多尺度特征增强方法为复杂钢结构表面缺陷检测提供参考。

近年来，在计算机图形学与视觉领域，3D场景图生成(SGG)引起了广泛关注。尽管现有研究在粗分类和单一关系标签的准确性方面有所提高，但在细粒度分类和多标签情境下的表现依然不足，无法满足实际应用的需求。为此，提出了一种创新性框架，旨在充分利用上下文信息实现细粒度实体分类、多关系标签以及更高的准确性。该方法由图特征提取(GFE)模块和图上下文推理(GCI)模块组成。GFE模块负责从输入数据中提取实体及交互语义特征保留关键信息，而GCI模块通过引入传统图和超图的结构化特征，通过分析不同实体间的关系，识别邻域内的实体关联度，合并具有相似交互模式的实体，从而学习实体间的交互形式，其中引入的几何超图结构是基于场景布局动态生成的结构化组织信息。通过在3DSSG数据集上的实验评估，该框架通过融合传统图与超图对于节点和节点间关联的组织能力，有效地改善了3D场景图生成任务中的细粒度分类和多关系标签的识别能力。

多物理场耦合分析是复杂工程产品设计与优化的重要工具，但在实际应用中，CAE软件与算法的增量替换面临诸多困难，如商业软件封闭性强、开源软件功能单一和自主开发算法集成复杂等。为解决这些问题，通过深入研究多物理场耦合方案，并基于增量集成式架构、非结构网格映射算法的松耦合方案，依托开源及自研CAE软件开发了全自动增量替换式的多物理场耦合平台。平台采用模块化设计，支持CPU/GPU异构并行计算，通过数据(Field)、模块(Module)、节点(Node)和场景图(SceneGraph)的多层次框架，实现了仿真流程的灵活管理与定制，基于插件系统实现了自定义算法快速集成。通过平台实现了流固耦合分析计算中数据传递算法、流体分析软件和结构分析软件的拓展开发，证明了该平台在多物理场分析的增量替换上具有更加简便的优势，可以满足实际工程仿真需求。

为提升产品的情感体验和设计效率，针对可供性与情感化融合过程中设计实施的操作性问题，提出基于特征映射的情感与可供性融合的产品设计方法。首先对可供性映射路径相关概念进行解析，并通用可供性模板确定待研究的可供性项，为情感可供性的产生提供基础，应用Kano与粗数方法确定影响情感体验的可供性问题项；其次基于Apriori算法分别生成“可供性-交互设计原则”“交互设计原则-标准工程参数”关联规则，构建可供性映射路径；然后通过检索可供性映射模型本体，应用TRIZ冲突解决理论进行可供性问题项的求解，基于可供性结构矩阵完善整体设计方案；最后基于情感三层次理论与可供性理论建立产品设计评价指标体系，通过AHP-DEMATEL-CRITIC组合赋权法进行指标权重计算，对基于特征映射的情感与可供性融合的产品进行设计评价。在此基础上形成基于特征映射的情感与可供性融合的产品设计流程，并对家用制氧机进行改进设计，验证了其有效性，为情感与可供性融合的产品设计方法提供新的视角。