En los últimos años, el análisis de canal lateral basado en aprendizaje profundo ha captado una atención significativa por parte de los investigadores. Una razón fundamental para esto radica en el hecho de que el análisis de canal lateral basado en aprendizaje profundo requiere un mínimo preprocesamiento de los datos de canal lateral. La propiedad de extracción automática de características de los métodos de aprendizaje profundo reduce drásticamente la carga de trabajo para los investigadores, lo que les permite centrarse más en los problemas fundamentales del análisis de canal lateral, es decir, la extracción de información sensible mediante el ataque a dispositivos. Sin embargo, en estudios anteriores, la mayoría de los académicos se han concentrado más en el proceso de construcción del modelo, con poca investigación centrada en la elección de optimizadores. Este documento explora un nuevo algoritmo de optimización basado en aprendizaje profundo, CPSGD (descenso de gradiente estocástico de proyección combinada). El algoritmo consta de dos variantes, diseñadas respectivamente para el análisis de canal lateral no protegido (CPSGD1) y el análisis de canal lateral desincronizado (CPSGD2), y su convergencia ha sido demostrada teóricamente. Los resultados experimentales demuestran que, manteniendo invariable la estructura de la red neuronal, CPSGD1 muestra el mejor rendimiento en conjuntos de datos no protegidos en comparación con otros optimizadores públicamente disponibles, mientras que CPSGD2 funciona de manera óptima en conjuntos de datos desincronizados.