雲林科技大學, 碩士學位, 電機工程, 2018 ~ 2020

▲學經歷相關
◆ 系所:電機工程所
◆ 組別:通訊組
◆ 相關課程及成績
碩一上:排隊理論(84)、模糊控制(82)、無線網路(93)
碩一下:智慧型控制(95)、電腦視覺(87)、智慧聯網互動產品設計(81)、
             Linux即時作業系統及應用(98)
碩二上:矽智產電路設計(90)

▲課堂上學習或使用到的工具 

◆ Arduino、LoRa通訊模組、IFTTT網路服務、ThingSpeak雲端資料庫(無線網路)

◆ Android Studio、Node.js、SQL、Java(智慧聯網互動產品設計)

◆ Halcon(電腦視覺) 

◆ C語言、makefile、FS4412開發版(Linux即時作業系統及應用、無線網路) 

◆ Verilog(矽智產電路設計) ◆ Raspberry Pi、Python、OpenAI Gym深度學習環境庫、PyTorch神經網路學習庫(論文)

▲論文
◆ 中文題目名稱:網路基地台自我組態之深度學習方法的設計與實作
◆ 英文題目名稱:Design and Implementation of A Self-Configurable Deep Learning Method for Network Base Stations
◆ 摘要
現今的都市環境下，一個場域可能通常有多個無線基地台，若是其佈署的距離較近且同時發射訊號，就可能導致同頻干擾(co-channel interference)或是鄰頻干擾(adjacent-channel Interference)，或是在基地台的佈署中，忽略了基地台訊號邊緣區域(edge area)、訊號盲區(dead zone)、建築物遮蔽效應(shadow effect)都可能造成使用者的連線中斷。傳統電信業者的解決方法為派遣工程人員實地量測，收集大量資料後進行統計和分析，再以人工的方式調整天線功率或參數，費工也費事。本論文將以工作原理、市場競爭力、技術應用等面向論述以「深度Q學習(Deep Q-Learning)」為架構基礎，開發用於低人力及省時探索無線網路環境的可行性，並且展現其優勢和實際的價值。
本論文透過實測無線基地台在環境中的特性，測量基地台發射功率對於用戶裝置的接收信號強度改變、用戶端接收信號強度對速率的關聯性、多人連線下的頻道干擾特性，最後再透過實地量測出的特性，使用OpenAI Gym深度強化學習框架，建立出符合現狀的無線網路環境和智能體，最後建立Deep Q-Learning神經網路，讓智能體在無線網路環境中探索，在探索過程中依據系統總能源效率、系統總傳輸量、個別使用者的傳輸量增減量作為獎勵，透過反覆學習的過程更新神經網路的參數，使其智能體擁有智慧能夠在無線網路環境中做出決策。

▲語言能力

◆多益測驗775分 (閱讀380分,聽力395分) 

◆托福紙筆測驗517分 (歐洲共同語文參考標準CEFR : B1程度)

◆德文(初學兩學期，目標近期通過歌德檢定測驗A1程度)

▲ 社團經歷 

◆ 名稱:雲林科大男子籃球代表隊 

◆ 時間:2013/9 ~ 2019/7 

◆ 經歷:在大學和碩士在學期間,皆為本校籃球校隊的隊員,希望在課業之餘,不僅僅強健自己的體魄, 也能磨練出毅力和抗壓性雖然升上大學前並沒有受過正規的訓練,大學後希望自己能夠挑戰 大專盃的舞台,即使本校籃球隊皆由非體育保送生組成,大家依舊運用課餘的寶貴時間練習, 最後也有取得不錯的成績,進入公開二級三十二強複賽和各方好手一同較勁