状态感知与模式识别算法工程师

本岗位专注于复杂机电系统/智能硬件的传感器信号分析、多源数据融合、状态感知与模式识别技术的研发。负责处理系统运行中的多维传感器数据，利用高级信号处理、时序分析与模式识别算法（如特征分类、异常检测、工况识别）提取核心特征，并通过数学建模与状态估计实现对系统本体或外部环境的在线识别与预测。这是一个兼具底层信号挖掘、算法开发与工程落地的岗位，要求候选人具备扎实的信号处理功底、良好的统计学与分类器设计能力、敏锐的物理直觉，并具备机电一体化系统的跨学科自学能力。

核心职责

- 特征提取与多维信号处理：负责系统高频/多维传感器信号（如加速度、角速度、力矩、阻抗、声学或电流信号）的采集、清洗与时/频/空域分析，深度挖掘能表征系统物理状态与行为模式的核心特征。

- 状态估计与多传感器融合：设计高效的滤波算法（如卡尔曼滤波族、互补滤波）、系统辨识或轻量化建模方案，实现多源传感器数据的同步与融合，完成对系统运动姿态、受力状态或环境介质的动态在线识别与精准估计。

- 模式识别与感知算法开发：将传感器数据转化为对物理世界的精准感知；建立严谨的物理/数学模型与模式识别分类器，解决非线性干扰、动态噪声与传感器漂移问题，实现系统特定动作、工况、故障模式或行为特征的精准分类与预测，提升感知算法的鲁棒性。

- 跨学科验证与原型实现：能够在实验室及实际工况下自主搭建机电测试台架，熟练使用 Python/MATLAB 进行算法的快速验证与参数整定，并配合嵌入式团队完成算法（包括轻量化模式识别模型）的轻量化移植与工程落地。

任职要求：

- 教育背景：精密仪器、电子信息、自动化、控制理论与控制工程、模式识别与智能系统、机械电子工程、应用物理、应用数学或相关交叉专业硕士及以上学历。

核心技术能力：

- 精通数字信号处理 (DSP) 与时序数据分析，熟练掌握高级滤波（卡尔曼滤波、小波变换等）、频谱分析、特征工程（时域/频域特征提取、降维算法如 PCA/LDA）方法。

- 熟练掌握常见的模式识别与机器学习算法（如支持向量机 SVM、随机森林、聚类算法、隐马尔可夫模型 HMM、时序异常检测等），能针对海量时序数据进行高效的分类与模式提取。

- 熟悉常见的传感器标定/校准方法（Calibration），能有效解决传感器零偏、温漂和非线性误差。

- 熟练使用 Python 或 MATLAB 进行海量传感器数据的分析、分类模型训练、算法建模与系统仿真。

行业背景与特质：

- 具备多自由度机电系统、智能执行机构、复杂自动化装备或多传感器协同系统的研发背景。

- 极强的动手与工程实践能力：不仅能写代码，更能自主跨越硬件与物理边界，在实际工况下搭建测试台架进行算法验证，理解传感器在机械结构中的实际物理受力与干扰。

- 优秀的自驱力与跨界自学能力，面对无先例可循的创新课题，乐于跨界学习力学、声学或流变学等领域知识。

加分项

- 有 IMU/惯导姿态解算、六维力/触觉传感器应用、多传感器融合、状态估计（State Estimation） 等项目经验者优先。

- 有特定工况识别、智能故障诊断（PHM）、手势/意图识别、生物力学模式识别等实际项目落地经验者优先。

- 熟悉常见传感器接口协议（I2C, SPI, CAN/RS485等），具备嵌入式 C/C++ 编写能力，能将算法与传统机器学习分类器移植并部署到 MCU/DSP 者优先。