关于作者

摘要

针对求职场景中“手动定制简历效率低下”的痛点，我主导从 0 到 1 落地了一款岗位导向、由大模型驱动的智能简历生成平台，形成了从信息采集到成稿导出的完整产品闭环。

参与工作

- 负责产品规划与全生命周期管理：完成市场调研、需求拆解、交互设计、研发协同与上线闭环；设计“输入解析 -> 信息补全 -> 岗位对齐 -> 风格生成”四段式主链路，实现 AI Agent 多轮对话审阅、定稿与可视化画布导出。

- 设计并落地端云混合 AI 调用架构：后端集成 DeepSeek、Qwen 等模型 API，结合 RAG 与指令微调提升垂直领域生成质量；基于 BERT-Whitening 构建 JD 语义匹配能力，Top-5 岗位匹配率 >= 82%。

- 深度参与高质量大模型数据底座建设：处理超 15,000 份多源异构中英文招聘数据，搭建分阶段清洗、去重、PII 脱敏流水线，沉淀 17.5 万条标准化语料与 31.6 万条 SFT 指令样本，并通过 checksum 清单实现训练数据 100% 可追溯。

- 建立效果评估与安全约束体系：内置敏感词与公平性策略，将违规率控制在 1% 以下；实现单份简历生成响应 < 3s，生成质量显著提升（BLEU 42，人工满意度 4.2/5）。

主要成果

· 基于 Python（Pandas/Matplotlib/Seaborn）完成 EDA 与特征工程，构建 TS%（真实命中率）、USG%（球权使用率）等高阶指标；在 14000+ 样本中发现“场均 30+ 分精英赛季”仅占 0.26%。

· 采用 K-Means 聚类并结合肘部法则、轮廓系数迭代优化，最终以 K=8 定义 8 类可解释球员原型（如持球大核心、3D 角色球员、高效率内线等）。

· 构建 ID3/C4.5 “白盒”决策树，提取透明 IF-THEN 规则；C4.5 可直接处理连续特征并给出数值阈值（如 USG% > 21.45 且 TS% > 0.575）。

· 训练 DNN（BatchNorm/ReLU/Dropout/EarlyStopping），在 8 分类任务中达到 90.43% 准确率；并验证传统五位置体系局限性（小前锋角色模糊率最高达 72%），为球员评估与战术搭配提供量化依据。

摘要

针对工业轴承故障诊断准确率不足及深度学习“黑盒”可信度低的问题，本项目构建了基于 GWO 优化 AlexNet 的全链路可解释诊断系统，实现了从原始振动信号处理、自动分类到热力图决策解释的一体化流程，并在强噪声环境下保持高稳健性。

参与工作

- 使用二维小波变换将一维振动信号映射为 227x227 时频能量图，并构建正常/内圈故障/滚子故障/外圈故障 4 类数据集，提升多工况诊断能力。

- 设计迁移学习版 GWO-AlexNet：保留预训练浅层特征提取能力并微调高层参数；引入 GWO 联合优化学习率与 Batch Size，并与 CS/BOA/WOA 等算法对比验证综合优势。

- 在 CWRU 公开数据集上实现 99.17% 诊断准确率；并在不同信噪比（含 15dB）下对比 AlexNet 与 GoogLeNet，验证模型在复杂工业噪声场景中的稳健性。

- 应用 Grad-CAM 生成类别激活热力图并定位异常频率区域，实现诊断决策可视化与可解释化，确保结果具有可被工程人员理解的物理意义。

项目概述

本项目针对巴尔的摩市弗朗西斯·斯科特·基大桥坍塌事件，旨在量化评估其对城市交通网络造成的影响，并为市政府提供一套全面的交通系统优化方案。通过构建多层次的数学模型，我们成功地优化了公共交通路线，并提出了改善交通拥堵和系统弹性的策略。

我的职责与贡献

算法实现与模型编程:

网络流模型开发: 基于图论，使用 Python 将巴尔的摩的交通系统抽象为网络模型，将关键地点定义为节点，道路定义为边。利用 OpenStreetMap 和马里兰州交通部的 AADT 数据集进行网络初始化。

交通分配算法: 编程实现 Frank-Wolfe 算法，以迭代方式求解交通分配问题，模拟大桥坍塌后的流量重新分布。同时，引入并实现了 Yen's K-最短路径算法以生成备选路径。

聚类与优化算法: 负责编写 K-means 聚类算法，对交通枢纽进行功能分区，识别出商业、住宅和交通核心区。在此基础上，编程实现 Prim 最小生成树算法，对各功能区内的公交线路进行优化重组。

数据可视化与分析

交通热力图绘制: 利用编程工具生成了道路节点密度和公交站点客流密度的热力图，直观地识别出城市交通的核心枢纽主要分布在港口西北区域。

网络结构对比图: 创建了大桥坍塌前后的交通网络拓扑对比图，清晰地展示了网络结构的变化和流量的转移趋势。

数据洞察可视化: 制作了最繁忙公交站点的 Top 20 条形图，为后续的节点分析和优化提供了关键依据。

模型验证与分析

参数敏感性分析: 参与设计并执行了模型的敏感性分析，评估了 BPR 函数中的拥堵敏感度 (α) 和集聚效应 (β) 等核心参数变化对模型输出结果的影响。

结果量化验证: 对优化后的方案进行了性能评估。数据显示，优化方案使居民平均通勤时间减少了29.9%，生活质量相关指标提升了7.5%，验证了模型的有效性。

使用的技术与工具

编程语言: Python | 核心算法: 网络流模型、Frank-Wolfe 算法、Yen's K-最短路径、K-means 聚类、Prim 最小生成树 | 数据源: OpenStreetMap , Maryland Department of Transportation AADT Dataset | 理论框架: Wardrop 用户均衡理论 , BPR 道路阻抗函数

MCU Learn微控制器教学平台工程摘要

MCU Learn是基于现代Web技术栈构建的微控制器教学平台，采用前后端分离架构。前端使用HTML5、CSS3和原生JavaScript开发，实现了响应式布局设计，确保在不同设备上的良好体验。系统集成了AOS滚动动画库和Font Awesome图标库，提升用户界面交互体验。项目采用模块化开发方法，将CSS和JavaScript代码分离存放于z_css和z_js目录，便于维护和扩展。

核心功能模块包括：多语言支持系统（中英双语切换）、深色/浅色主题切换、元器件搜索引擎（支持多维度筛选和排序）、学习资源管理和社区互动系统。搜索引擎实现了高级筛选功能，支持按类别、制造商、封装类型等条件精确查询，并提供语音搜索和热门搜索标签功能。

项目结构清晰，通过统一的样式规范和交互逻辑，构建了一个功能完备、用户友好的微控制器学习生态系统，为不同层次的用户提供从入门到专业的全方位技术支持。

摘要

ETC大数据可视化监控平台是一个基于Next.js 13等现代前端技术栈开发的交通数据智能监控系统，旨在实现ETC（电子不停车收费）多维度数据的实时监控、可视化、交互查询与智能分析。平台主要包含监控大厅、交互查询和分析报告三大功能模块。监控大厅以丰富的可视化组件实时呈现流量、设备状态等关键指标，支持多站点对比和异常预警。交互查询模块实现了灵活的多条件组合检索，支持按车牌、车型、时间、收费站等多维度高效筛选和数据导出，并通过智能输入校验提升了用户体验。分析报告模块集成了天气信息、流量预测、时间序列分析等能力，为管理决策提供多角度、数据驱动的支持。系统采用REST API和WebSocket混合数据通信架构，结合Mycat分布式数据库方案，保障高并发和实时性。平台注重安全（如JWT认证、权限控制和数据脱敏）、性能优化（如缓存、批量请求和异步处理）及未来可扩展性。创新点包括实时智能预测、现代化UI/UX、多维交互与可扩展的数据分析框架，为智慧交通管理提供了全面的数字化解决方案。

参与工作

独立设计与开发了ETC大数据可视化监控平台，采用Next.js 13（App Router）、TypeScript、React 18与TailwindCSS，实现前端响应式UI与动态主题切换。集成高德地图API和ECharts，实现交通数据的实时可视化和多维度分析。后端通过REST API与WebSocket实现混合通信，结合Mycat分布式数据库与Redis缓存，支持高并发实时数据处理。设计了灵活的多条件查询、智能流量预测、数据脱敏和基于JWT的权限控制，全面提升了系统安全性与性能，为智慧交通管理提供了高效、可扩展的数字化解决方案。

实习经验

大模型数据资产建设：参与 AIGC 大模型训练数据构建，为模型迭代提供高质量的底层数据资产支持。

多模态业务场景实践：负责文本语义纠错、图像内容分类及音频 ASR 识别准确性校验，在实战中深入理解多模态交互模型的数据需求与技术边界。

质量评估与反馈优化：体系化梳理并总结各模态数据的常见错误类型，为大模型训练的数据质量优化及效果评估提供有效参考依据。