摘要
在新能源汽车 (NEV) 市场造型日益趋同的背景下，尾部造型逐渐成为传递品牌识别度、塑造产品差异化以及激发用户感性认知的关键视觉界面。然而，现有的汽车造型感性设计研究主要集中在整车形态或前脸形态上，针对局部尾部造型的系统建模方法仍然有限。在小样本条件下，感性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。为解决上述问题，本研究提出了一种数据驱动的感性工学 (KE) 框架，该框架整合了非负矩阵分解 (NMF)、灰色关联分析 (GRA) 和深度前馈神经网络 (DFNN)，旨在实现从感性需求识别到尾部造型参数方案生成的连续转化。首先，通过 NMF 的非负低秩分解，将原始的七维感性评价聚合为三个潜在感性维度。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 DFNN 和随机森林 (RF) 作为预测模型，结果显示 DFNN 的平均测试均方根误差 (RMSE) 和决定系数 (R2) 表现优于 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感性意象方面的一致性，从而建立了一条区别于基于自由联想的感性设计的、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 的特征筛选以及基于 DFNN 的非线性映射之间的数学耦合。该框架将感性设计重构为分层分解与建模过程，为新能源汽车尾部造型设计建立了一种由数学算法与人工智能共同驱动的数据驱动决策支持工具。
