UP简历小U

+86 138-XXXX-XXXX|up.xiaou@example.com|深圳

个人总结

资深基带算法工程师，专注于5G通信领域，尤其精通R16标准下的高移动性场景信道估计算法优化。具备扎实的通信理论基础和丰富的算法开发经验，擅长运用Matlab、C/C++进行高性能算法的建模、仿真与实现。在多普勒频移挑战下，成功将系统吞吐量提升25%，致力于为5G及未来通信系统提供卓越的基带解决方案。

工作经历

基带算法工程师

华为技术有限公司

2020-07 - 2024-05

深度参与5G R16标准基带算法研发，负责高移动性场景下的信道估计算法重构与优化。
针对高铁350km/h高速移动场景产生的严重多普勒频移问题，创新性地引入自适应滤波与迭代检测技术，在信噪比为10dB时，有效克服了频率选择性衰落，使系统吞吐量提升了25%。
主导开发并优化了多天线系统（MIMO）的预编码和波束赋形算法，将小区边缘用户的数据速率提升18%。
运用Matlab/C++完成算法建模、仿真与验证，编写超过10,000行高效代码，确保算法在实际硬件平台上的高性能实现。
与硬件团队紧密协作，完成算法的FPGA/ASIC实现指导及性能调优，成功将算法延迟降低15%。
参与专利申请2项，涉及高移动性场景下的信道估计与跟踪技术。

项目经历

5G高移动性场景自适应信道估计算法研发

华为技术有限公司 (内部项目)

2022-03 - 2023-08

项目背景： 现有5G基带算法在高速移动场景（如高铁）下，由于多普勒效应导致的信道快速变化，信道估计精度下降，严重影响系统性能。
个人角色： 核心算法设计师与实现者，负责算法的理论研究、架构设计、仿真验证及FPGA实现指导。
项目价值： 成功重构了基于5G R16标准的信道估计算法，特别针对350km/h的高速移动场景，引入了增强型导频设计和卡尔曼滤波相结合的自适应估计方案。
项目执行：
- 通过理论分析和大量系统级仿真，确定了最佳的导频模式和滤波参数，使高速移动下的信道估计均方误差（MSE）降低了30%。
- 在实际测试中，该算法在多普勒频移高达2kHz的极端条件下，仍能保持95%的信道跟踪精度。
- 优化了算法复杂度，将实时计算资源消耗降低20%，满足了基站BBU的实时处理要求。
项目成果： 显著提升了5G系统在高速移动场景下的可靠性和数据吞吐量，经实测，系统吞吐量相较于旧方案提升了25%，为公司赢得了XX万元的潜在市场份额。

大规模MIMO系统上行链路信号检测算法优化

清华大学 (硕士毕业设计)

2019-03 - 2020-06

项目背景： 大规模MIMO系统在提高频谱效率方面具有巨大潜力，但其上行链路信号检测的计算复杂度高，是实现的关键瓶颈。
个人角色： 项目负责人，负责算法设计、仿真、性能评估及论文撰写。
项目价值： 提出了一种基于深度学习的低复杂度大规模MIMO上行信号检测算法。
项目执行：
- 设计了基于神经网络的非线性检测器，通过离线训练学习信道特性和噪声模式。
- 对比传统MMSE、ZF等线性检测算法，在相同误码率（BER）要求下，将计算复杂度降低了40%。
- 在128x8的大规模MIMO系统中，相比传统算法，将系统吞吐量提高了10%。
项目成果： 毕业论文被评为“校级优秀硕士论文”，相关成果发表于IEEE国际会议。