我现在已经掌握了所需的所有信息。以下是基于全文阅读和调研结果得出的完整评审意见。

Paper Review: Deep Learning-Based Active Trim Panels for Enhanced Aircraft Interior Noise Control

论文类型: 方法型

公理审查结果

公理一：对象公理

• 判定: ⚠️
• 依据: 论文研究的对象是飞机内饰噪声的主动控制，具体是多频多温条件下的 SFANC 滤波器选择问题。该问题真实存在——温度变化确实改变声学和结构路径（ref [15] 记录了 10 dB / 0.9 rad 的变化），且 EUROCAE ED-14G 定义的 -15°C 至 55°C 操作温度范围是行业标准。但问题定义的边界被过度收窄：(1) 仅评估 1×2×1 SISO 配置（1 参考、2 执行器、1 误差传感器），与真实飞机舱内 MIMO 需求差距大；(2) 仅评估误差传感器近场效果，论文自己在结论中承认”有效性局限于 active trim panel 附近区域”；(3) 温度变化范围仅 20–52°C（5 个离散点），未覆盖 -15°C 低温端；(4) claim 是”aircraft interior noise control”但实验只验证了合成仿真，无任何真实硬件验证（尽管 Section 2.1 描述了物理实验设施）。
• Wiki 证据: wiki_query 全部返回空（”active noise control aircraft interior”、”SFANC selective fixed-filter”、”1D CNN temperature-perceptive active noise control” 等查询均无记录）。free-search academic 搜索确认 ANC trim panel 是真实研究领域（找到 Misol 2020 Active Sidewall Panels、Active Trim Panel Attachments 等文献），问题真实性得到验证。但温度感知（temperature-perceptive）ANC 在文献中无先例，无法确认该子问题是否被社区广泛认为值得独立投入。

公理二：识别公理

• 判定: ❌
• 依据: 论文未隔离关键变量，也未与最相关的 baseline 公平比较。(1) 频率变化实验（Section 4.2）只对比 FxLMS，但作者自己的 prior work（ref [10] Shi et al. 2022, ref [11] Luo et al. 2024）已经建立了 CNN-based SFANC——TP-SFANC 的频率分类部分与 ref [10] 完全相同，17.5 dB vs 5 dB 的结果本质上是重复 prior work 的贡献，不是 TP-SFANC 的新贡献。(2) 温度变化实验（Section 4.3）对比了”SFANC without temperature perception”（即 20°C 固定滤波器），但没有对比”SFANC with temperature perception but without CNN”（例如用简单温度传感器直接查表选滤波器），因此无法确认 CNN 的温度分类是否必要——如果直接用物理温度传感器读取温度再查表，可能更简单、更准确、更可靠。(3) 无消融实验：multi-task learning vs. 两个独立网络？joint loss 的加权策略是否优于等权？error signal 输入是否必要？(4) 温度实验结果实际上是部分负面的：FxLMS 在约 3 分钟后超过 TP-SFANC（论文 Fig. 7d），说明在慢变温度场景下复杂 CNN pipeline 并未带来持续优势。
• Wiki 证据: wiki_query 返回空。free-search 找到该团队的 SFANC 系列工作链：SFANC-CNN (2022) → Hybrid SFANC-FxNLMS (2022) → GFANC (2023) → Delayless CNN-SFANC (2024) → Meta-learning SFANC (2025) → Predictive Directional SFANC (2026)。该论文应至少对比 ref [10] 和 ref [11] 的完整系统，而非只对比 FxLMS 和”stripped” SFANC。

公理三：独立性公理

• 判定: ❌
• 依据: 评测存在严重的循环构造问题。训练数据、测试数据和控制滤波器库全部来自同一个合成状态空间模型（Section 2.3 的特征频率-温度缩放模型，scaling factor = -0.280366%/K）。具体来说：(1) 滤波器库由 FxLMS 在合成路径上预训练；(2) CNN 训练数据由同一合成模型生成 108000 条；(3) 测试数据也由同一合成模型生成（8:1:1 随机划分）；(4) 测试标签（频率标签、温度标签）由同一合成模型的参数直接确定。这意味着 CNN 只需要学习合成模型的参数到标签的映射，而非真实的声学特征。此外，论文 Section 2.1 描述了完整的物理实验设施（CFRP fuselage + sidewall panel + 72 loudspeakers + actuators + accelerometers），但实验完全在仿真中完成，未在物理系统上做任何独立验证。真实温度变化可能引入合成模型未捕获的效应（材料非线性、热应力引起的边界条件变化、执行器特性温度依赖等）。
• Wiki 证据: wiki_query 返回空。free-search 确认 ref [15]（Algermissen & Misol 2020）提供了温度对 sidewall panel 动态特性的实验数据，但本论文仅用该数据建立合成模型后即在合成模型上闭环训练+测试，未回到物理系统验证。

公理四：压缩公理

• 判定: ⚠️
• 依据: 方法本身较简洁——1D CNN 仅 0.12M 参数，适合嵌入式部署。但方法的复杂度并不源于新机制，而是源于 prior work 的直接扩展：SFANC-CNN（ref [10]）已有 CNN 选滤波器的框架，本文只是将分类输出从 8 类（频率）扩展到 8×5（频率×温度）。架构上仅增加了一个 FC head（5 个输出）和 multi-task loss 的加权。Multi-task learning（ref [16], Zhang & Yang 2021 survey）是教科书级技术。温度-路径模型来自 ref [15]。1D CNN 架构（Conv + MaxPool + ResidualBlock）是标准组件。无新机制解释、无问题重构、无可迁移经验规律。命名”temperature-perceptive”有一定信息量但接近”multi-condition SFANC”的直接推广。
• Wiki 证据: wiki_query 返回空。free-search 确认 SFANC-CNN 框架已是该团队成熟工作线（6+ 篇论文），本文的增量是增加温度维度，属于沿既有框架的自然扩展而非压缩式创新。

公理五：效用公理

• 判定: ⚠️
• 依据: (1) 频率变化场景：TP-SFANC 达到 ~17.5 dB NR（1 秒内），FxLMS 仅 ~5 dB——但此结果与 prior SFANC-CNN 工作（ref [10, 11]）一致，不是本文新贡献。(2) 温度变化场景：TP-SFANC 优于 SFANC（无温度感知），但 FxLMS 在 ~3 分钟后反超——这意味着在论文标题强调的”enhanced”场景下，方法并未持续优于最简自适应算法。(3) CNN 分类精度 90.66%（双任务同时正确），但论文未分析分类错误对噪声减少性能的影响——9.34% 的错误分类会导致选择错误滤波器，可能引起性能严重退化甚至不稳定。(4) 仅 1×2×1 SISO 配置，未评估 MIMO。(5) 无真实硬件实验。(6) 温度范围未覆盖低温端（-15°C 到 20°C 完全缺失）。(7) Baseline 覆盖不足：未对比该团队自己的 GFANC、meta-learning SFANC、RL-SFANC 等更新方法。
• Wiki 证据: wiki_query 返回空。free-search 找到多条 SOTA 线索：Meta-learning SFANC (arXiv 2504.19173, 2025)、GFANC-Kalman (OpenAlex W4388838217)、RL-SFANC (ScienceDirect S0165168426002094)。论文未与这些 2024-2025 年的强 baseline 对比。

公理六：新颖性公理

• 判定: ⚠️
• 依据: 核心新颖性声称是”temperature-perceptive SFANC”。free-search 确认在 ANC 文献中无先例将温度作为滤波器选择的额外维度——这一点成立。但新颖性的增量很小：(1) SFANC-CNN 框架来自 ref [10]（同团队，2022）；(2) 增加温度维度只是扩展分类输出空间（8→8×5）；(3) multi-task learning 是标准技术；(4) 温度-路径模型来自 ref [15]（Misol/Algermissen, 2020）。整体是 A（prior SFANC-CNN）+ B（temperature-path model from ref [15]）+ C（multi-task learning textbook）的组合，无组件间 synergy 的证据，无新机制解释。作为 ICSV 会议论文，增量可接受但不足以构成强新颖性。
• Wiki 证据: wiki_query 返回空。paper-wiki 搜索无输出。free-search 确认温度感知 ANC 是空白领域，novelty 在文献层面成立，但技术组合的 incremental nature 明确。

公理七：可复现公理

• 判定: ⚠️
• 依据: (1) 无代码开源。(2) 无数据开源。(3) CNN 架构在 Fig. 5b 中描述较详细（kernel size, stride, padding, channel 数），但训练超参数（学习率、优化器、epoch 数、batch size、训练时长）完全缺失。(4) 合成状态空间模型的参数描述部分给出（scaling factor = -0.280366%/K，采样率 1800 Hz，滤波器长度 1024 taps，frame 长度 1 秒），但 baseline measurement 的原始 FRF 数据未公开。(5) CROR 噪声合成参数部分给出（f1=119.65 Hz, 5 harmonics, TBL PSD 70 dB/Hz@200Hz），但完整生成流程依赖 ref [9]。(6) 数据集生成过程（1800 primary noises, 60 path pairs, 108000 entries）描述较清楚但随机种子未给出。部分可复现，但关键训练细节和数据缺失。
• Wiki 证据: wiki_query 返回空。论文作为会议论文（ICSV31），开源期望低于期刊论文，但训练超参数的缺失仍是显著缺口。

日报摘要

• Strength: 提出温度感知 SFANC 方法，用 0.12M 参数 1D CNN 在频率变化场景下实现 17.5 dB NR（1 秒内），优于 FxLMS 的 5 dB，且温度感知 ANC 在文献中属首次。
• Weakness: 评测在单一合成模型上闭环完成（训练/测试同源），无物理验证；温度变化场景下 FxLMS 在 3 分钟后反超 TP-SFANC，核心场景优势不持续；未与作者自己的 prior SFANC-CNN 系统公平对比，无消融实验隔离温度感知的贡献。

总评

• 科学价值: 低 — 评测循环（合成模型生成训练+测试+标签），无法确认方法在真实声学环境中的有效性；温度变化场景下 FxLMS 反超，说明方法对慢变温度的实用价值未得到证明。
• 方法价值: 低 — 技术上是 prior SFANC-CNN 的自然维度扩展（8→8×5 分类），multi-task learning 为标准技术，无新机制或压缩式洞察。
• 社区价值: 中 — 温度感知 ANC 是真实空白，该工作首次将温度作为 SFANC 滤波器选择维度，为后续工作提供了起点；但作为 ICSV 会议论文（8 页），深度和验证强度不足以成为该方向的奠基参考。

打分

加权总分: 3.79/10（加权分之和 38.0 / 权重之和 9.5） 最终建议: Weak Reject

核心理由：该论文在真实空白领域（温度感知 ANC）做了首次尝试，但科学验证严重不足——训练/测试/标签全部来自同一合成模型形成闭环评测，未在论文描述的物理实验设施上做任何独立验证；baseline 选择不公平，未与作者自己的 prior SFANC-CNN 系统对比，无消融实验隔离温度感知的贡献；温度变化场景下 FxLMS 在 3 分钟后反超，核心宣称场景的效用未持续。作为 ICSV 会议短文，问题方向有意义但证据强度不足以支撑正式发表结论。