-----------------------------------------------------------------------
创新一直是一个令人纠结的话题，研究生毕业设计多数需要算法的创新，而博士生毕业更需要大量的创新才行。另外一方面，一些前沿的课题，更是对算法的创新有着较高的要求。这里，我就十几年来的工作经验，谈谈如何进行合理的算法创新。
一、创新角度
通常，我们使用一个算法，这里举个简单的粒子，PSO粒子群优化算法，我们通过仿真，会得到该算法的收敛速度，仿真精度等一些参数指标。如果我们需要对该算法进行创新，一般就需要从原算法的性能指标角度考虑，比如收敛速度和精度的提高，对于一些低要求，可以在保证收敛速度不变的情况下，提高精度，或者在精度不变的情况下，加快收敛速度，如果要求较高，则同时考虑如何提高收敛速度和精度。一般情况下，针对这种情况，我们需要考虑别的类似算法，而这些算法必须具备快速收敛和高精度中的某些特性，这样我们就可以将多种算法的优势进行整合，从而实现算法的创新并提高原算法的性能。
再比如在通信领域，虽然目前技术非常成熟了，包括信道编译码，调制解调，各种同步，信道估计均衡等等。但是随着这些年深度学习的兴趣，通信领域的创新又有了新的方向。目前应用比较多的有基于深度学习的信道估计均衡方面，例如通过CNN对LTE进行信道估计等等。
此外，人工智能领域，创新更是层出不穷，目前，几乎每年都会有新的网络被提出，但是几乎所有的网络都源于CNN。基于CNN，后来就有了RCNN,fast RCNN等等一些列网络。学者通过改进网络卷积层结构，或者加入一些其他算法，产生新的网络模型。
因此，创新的首要前提，就是要有足够多的理论储备，同时对算法本身有着非常深入的理解，包括其优缺点，然后针对缺点，提出改进。
二、创新依据
什么是创新依据？所谓创新依据，就是我们使用的创新算法，所考虑的角度是有理论依据的，我们不能凭空修改原来的算法，这样即使获得了布局的更优解，但也无法证明全局的更优。因此，正如一所说，我们需要选择某些性能比原算法更好的其他现成算法，进行算法的整合。
我这里举2个例子，比如，我们要对一个通信中的载波同步做改进，那么初学者会想到，载波同步里面有个鉴相器，对鉴相器的结构进行改进。例如经典的costas环，他的鉴相器是个乘法模块，通过这个过程，我们可以从理论上推导出最后的锁定相位值。那么说明这个乘法模块还是有效的，那么你改进他的时候，需要按原来的推导方式，也可以得到一个锁定的相位，同时这个相位最后的表达式，要比经典的costas换的相位表达式，抖动更新，收敛更快。那么改进才算有效。如果无法推导出一个合理的结果，或者推导的结果反而比原来的差，那么不算改进，只能算是算法的“奇思妙想”了。
再举个例子，比如深度学习，我们比较常用的CNN，如何改进？我们自然就想到，他的卷积层提取图像特征，是否可以改进卷积层，增强其特征提取效果，或者加入多尺度的思想，或者调试最优的卷积层参数等等。
三、创新的验证
对于改进后的算法，我们需要使用大量的测试样本进行对比分析，验证算法的各个性能指标是否较原来的算法有所提高。
1.无线基带,无线图传,编解码：这个领域，那么自然就要用到误码率这个指标，对相关的改进进行误码率检测，如果误码率提升，则表示你的改进有效，否则无效。
2.机器视觉,图像处理,三维重建：这个方面，对图像处理的结果，可以和原始的图像做对比，比如PSNR,NC等，假设处理后的图像更接近理想图像了，那么说明改进有效、
3.人工智能,深度学习，一般用到混淆矩阵，得到四个指标，验证网络模型的识别率等。
4.智能控制,智能优化,一般通过对比算法的收敛性速度，收敛值来验证改进是否成功。
以上过程，验证软件一般用matlab，python比较多，我个人熟悉matlab，然后最后落地，做原型机，则使用FPGA做相关开发。
四、完全的创新
完全的创新，这个是高要求的创新，一般有两个层次，一个是跨学科的创新，一个理论开拓。
我们通过这几年的情况看，一般，要求稍高的硕士，会涉及到跨学科的算法创新，比如，我们将物理上的一些公式应用到生物化学上的公式，并结合进行创新，或者是使用一组数学公式，去研究一些文科的问题。
理论的开拓，这个属于是最高要求的创新了，即没有现成的理论依据，需要我们去研究，总结出相关的理论，一般学生的课题不会涉及到这方面的要求，通常是一些较为复杂的工程项目或者博士课题，需要根据已知的一些条件，推算出一些新的公式，来表征一个过程或者现象。这个就非常有难度。