阅读了大量（超过500篇）的控制、监控、机器学习领域的英文文献，涉及卡尔曼滤波、粒子滤波、状态观测器、等价空间、SVM、专家系统、（动态）贝叶斯网络、参数辨识、SDGs、故障树、PCA、PLS、ICA、granger causality、transfer entropy、深度学习、迁移学习（集中于computer vision领域）、贝叶斯分类器等等领域；熟悉并实现过常见的机器学习技巧。在主流期刊发表了四篇一作SCI论文（优化和机器学习领域，其中一篇为综述文章），以二作发表了会议文章（虚拟现实工厂在教学方向的应用）；两年以上的国外留学经历、良好的英文读写能力（雅思一次6.5）；参与多个数据分析类的科研项目、作为项目骨干给专家组（主要是工业界）汇报研究工作；学习和实践过大量机器学习算法和技巧；对应用数据分析和机器学习算法解决实际问题非常感兴趣。

技能：

1.概率机器学习，包括回归、预测、分类

2.深度学习（特别是迁移学习）

3.优化算法（整数和离散优化）

4.控制算法

5.数据结构和算法

6.金融建模，交易策略分析、优化，量化交易

工具：

MATLAB/Simulink 精通 使用时长: 4年

LabView 良好 使用时长: 6月

Python，包括很多数据分析、机器学习、可视化、科学计算的库，精通 使用时长: 3年

Pytorch, Pycharm, Linux，精通 使用时长: 2年

学习能力较强、可以根据项目需求现学现用

项目：

一、主动的故障诊断算法 2020.8-至今

项目描述

故障诊断可以被形成一个贝叶斯模型选择问题；通过在线设计系统输入，我们可以提高诊断的准确性，这也称为主动的故障诊断方法。本项目设计一种新型的主动诊断算法，其用带约束的无损卡尔曼滤波来传播不缺定性同时考虑故障大小的不确定性。此外，我们将其拓展成分散式的诊断算法。该项目在python中实现。

二、基于深度学习和迁移学习的故障诊断方法 2019.7-至今

项目描述

1)故障诊断对生产的经济性和安全性至关重要。本项目旨在开发基于深度迁移学习（领域自适应）的算法，利用仿真故障数据、相似工厂的历史数据，来克服目标工厂数据不足的问题，实现有效的故障诊断。采用了对抗训练、MMD和伪标签等技巧来提升迁移学习的性能。

2）开发迁移学习算法，解决源域和目标域在部分类别不同情况下的领域自适应。

三、基于模式匹配和优化的故障诊断方法开发 2018.12-2019.4

项目描述

1）建立了一种适用于单故障和多故障的诊断方法，其采用基于PCA和马氏距离的模式匹配方法，结合遗传算法，在线地搜索潜在的故障和大小。仿真研究是通过Simulink和Matlab实现。

四、核电站传感器的软测量模型和故障预测 2019.5-2019.6

项目描述

1）核电站某个传感器经常失灵；基于大量的历史数据，本研究采用LSTM神经网络建立了问题传感器的软测量模型；为了预测该传感器发生故障的时间，我们采用了高斯过程建立了时间序列预测模型。

五、基于LabView和Aspen Plus的员工培训工具 2019.11-2020.1

项目描述

1）操作经验对工厂员工非常重要；本项目通过建立虚拟工厂，使得员工可以无限制地、低成本地训练操作和管理异常工况的技能。

2）该虚拟工厂是基于动态模型建立，同时用LabView建立员工的操作界面，实现较好的培训效果。

六、开发报警管理算法 2020.6-2020.9

项目描述

1）工厂报警信号泛滥，远超出工程师的检查速度；而很大一部分报警信号是冗余的、重复的、无意义的；本项目基于历史数据、专家知识（因果关系、系统的连接关系），采用模式匹配（序列对齐算法）、类聚和因果关系挖掘等方法来大幅度减少无用的报警信号。