摘要
在新能源汽车（NEV）市场造型风格日益趋同的背景下，尾部造型逐渐成为传达品牌识别度、塑造产品差异化以及引发用户意象认知的关键视觉界面。然而，现有的汽车造型意象设计研究主要关注整车形式或前脸形态，而针对局部尾部造型的系统化建模方法仍然有限。在小样本条件下，意象语义空间与造型参数之间的非线性映射也面临过拟合的风险。为解决这些问题，本研究提出了一种数据驱动的意象工程（KE）框架，集成了非负矩阵分解（NMF）、灰色关联分析（GRA）和深度前馈神经网络（DFNN），旨在实现从尾部造型的意象需求识别到参数化方案生成的连续转化。首先，通过 NMF 的非负低秩分解，将原始七维意象评价聚合为三个潜在意象维度。其次，利用 GRA 筛选关键形态特征，并在特征层面降低建模复杂度。第三，构建了 DFNN 和随机森林（RF）作为预测模型，结果显示 DFNN 的平均测试 RMSE 和 R2 优于 RF。最后，将 DFNN 预测的最优编码转化为受形态编码约束的设计方案，并验证了其在表达目标意象图像方面的一致性，从而建立了一条不同于基于自由联想的意象设计的、面向工程约束且可解释的解码路径。消融实验表明，所提出框架的性能优势并非仅源于 DFNN，而是源于基于 NMF 的语义聚合、基于 GRA 的特征筛选和基于 DFNN 的非线性映射之间的数学耦合。该框架将意象设计重新定义为分层分解和建模过程，建立了一种由数学算法和人工智能共同驱动的、用于新能源汽车尾部造型设计的数据驱动决策支持工具。
