我是程序员客栈的啾啾，一名深度学习算法工程师。

我本科毕业于电子科技大学数据科学与大数据技术专业，目前研究生就读于电子科技大学数学专业，我的研究方向是深度学习算法。

我的技术栈是Python，pytorch，C++。

本科在校期间，我有两端项目经历：

1，大学生创新创业项目：基于隐式约束黑盒优化问题的协方差矩阵自适应进化策略（CMA-ES）

我们提出了一种新的CMA-ES改进算法用于解决隐式约束黑盒优化问题。该算法通过自适应罚函数法和改进重采样法来限制搜索区域并通过改进步长更新策略来加快收敛速度。

 我们通过一系列数值实验，对所提出的改进CMA-ES算法的性能进行系统评估。实验旨在验证改进CMA-ES算法在求解复杂约束优化问题时的有效性和鲁棒性，并与带罚函数法的遗传算法和带罚函数法的粒子群算法进行对比分析。

 数值实验结果表明，我们提出的改进CMA-ES算法在求解高维、约束复杂的优化问题时，在收敛精度、稳定性和收敛速度上均全面优于传统的带罚函数法的遗传算法和粒子群算法。改进CMA-ES算法通过其内在的自适应学习机制，能够有效应对复杂约束带来的挑战，展现出作为一类强大约束优化工具的潜力。未来的工作可进一步将该算法应用于更具挑战性的工程优化问题。

2，基于信号分类的迁移学习盲波束形成算法

针对复杂电磁环境下多用户信号分离与增强问题，我围绕基于深度学习的盲波束形成方法展开研究。在分类器迁移学习波束形成（CBTL）框架基础上，引入统计去相关约束，尝试实现多用户信号的联合优化分离。本文引入深度学习信号分类模型作为可微分评价函数，将目标信号的分类置信度作为优化目标，建立了从单天线信号分类到多天线波束形成的迁移学习框架，该框架无需阵列流形信息及阵列训练数据。针对CBTL方法在多用户扩展中依赖序贯提取与欧氏正交约束的问题，本文从统计信号处理角度出发，引入基于协方差结构的去相关度量，将输出信号之间的相关性显式纳入优化目标，通过构造去相关罚函数实现对不同用户输出的约束。同时，本文将分类损失与去相关约束统一到同一优化框架中，构建联合损失函数，通过端到端训练实现信号增强与多用户解耦的协同优化，以期提高整体性能的稳定性。在数值实验方面，本文针对不同信噪比、阵列规模及多用户条件构建了系统仿真环境，对比分析了传统CBTL方法与本文改进方法的性能差异。实验结果表明，所提方法在阵列输出信干噪比及空间分离能力方面有一定提升，验证了方法的有效性。

如果我能帮上您的忙，请点击“立即预约”或“发布需求”！