//assets.cakeresume.com/assets/contentarea/contentarea-2d64eca8dae2a1ffb31e0fb1df887bbad072c7c19734d7d30fa14884bbcc299a.css

您好，我是蔡協霖
畢業於雲林科技科技大學電機工程系
目前積極求職中


▲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)


雲林科技大學

Hsieh Lin Tsai

沛錦科技

暑期實習

◆ 專案:具硬體可實現性之形變調整演算法
◆ 內容:此公司主要發展於矽智產電路設計、影像壓縮演算法應用於IC電路設計上，擬透過開發座標轉換和像素預測的形變演算法,目標應用在AR及VR眼鏡的顯示晶片上,致力於校正眼鏡在生產端的組裝偏差

分享