Welcome to Hexo! This is your very
first post. Check documentation for
more info. If you get any problems when using Hexo, you can find the
answer in troubleshooting or
you can ask me on GitHub.
Quick Start
Create a new post
1$ hexo new "My New Post"
More info: Writing
Run server
1$ hexo server
More info: Server
Generate static files
1$ hexo generate
More info: Generating
Deploy to remote sites
1$ hexo deploy
More info: Deployment
Python中的类
类的属性
类，实例化之后是对象，在初学Python时，为了得到对象中的属性，我们往往会这样写：
12345678class hero(object): def __init__(self,name): self.__name__ = name def get_name(self): return self.__name__hou = hero("后羿")hou.get_name()
按照逻辑来说，使用方法来获取对象的属性，没有问题。但是不符合直觉，我们会习惯使用hou.name这样的形式获取属性，所以Python提供了@property装饰器，这个装饰器可以让属性的增、改、删更加方便。
12345678910111213141516class hero(object): def __init__(self,name): self.__name__ = name @property def name(self): return self.__name__ @name.setter ...
黑洞是什么
黑洞是宇宙中一种极为特殊且神秘的天体，其核心特征和形成机制可概括如下：
定义与本质
黑洞是时空曲率极大、引力极强的天体，其引力强大到连光也无法逃逸。根据广义相对论，黑洞的形成源于大质量恒星在生命末期发生的引力坍缩：
恒星演化终点：当大质量恒星（通常超过太阳质量的20倍）耗尽核燃料后，辐射压无法抵抗自身引力，核心会坍缩成极小的点（奇点）。
事件视界：坍缩过程中，若质量足够大，会形成一个“有去无回”的边界——事件视界。任何物质或信息一旦进入此边界，便无法逃脱。
2. 结构与分类 黑洞的结构主要由两部分组成：
奇点：质量无限集中、体积无限小的点，时空曲率趋于无穷大。
事件视界：黑洞的“边界”，其半径称为史瓦西半径（），与质量成正比。例如，太阳质量的黑洞事件视界半径约3公里。
根据质量，黑洞可分为：
恒星级黑洞：质量为太阳的数倍至数十倍，由大质量恒星坍缩形成。
超大质量黑洞：质量达数百万至数十亿倍太阳质量，存在于星系中心（如银河系中心的Sgr
A*）。
中等质量黑洞：质量介于恒星级与超大质量之间，目前发现较少，形成机制尚不明确。
核心特性
引力吞噬：黑洞通过极端引力吸引周围物 ...
运动物体的波长计算基于量子力学中的德布罗意物质波理论，该理论由路易·德布罗意于1924年提出，揭示了所有运动的物体均具有波动性。其核心公式为：
德布罗意波长公式
其中：
：物体的波长（单位：米，m）
()：普朗克常数（）
(p)：物体的动量（单位：kg·m/s），动量 (p =
mv)（经典情况）或 (p = \gamma m v)（相对论情况）。
关键说明与计算步骤
动量 (p) 的计算：
经典情况（速度远小于光速 (c)）： 其中 (m) 为物体质量（kg），(v)
为速度（m/s）。
相对论情况（速度接近光速 (c)）： 此时需考虑洛伦兹因子 (\gamma) 对动量的修正。
波长的单位： 波长 通常以纳米（nm）或埃（Å，1 Å =
(10^{-10})
m）表示。例如，电子的波长常在纳米量级，而宏观物体的波长极短（如质量为1g的物体以1m/s速度运动时，
m\)，远小于原子尺度，故宏观物体的波动性难以观测。
适用条件：
德布罗意波长适用于所有运动的物体，但波动性显著程度与物体质量成反比。微观粒子（如电子、中子）的波动性可通过双缝实验等观测，而宏观物体的波动性 ...
卡尔曼滤波
一、概述
1.1 简介
1.2 示例
二、原理推导
2.1 基本概念
2.2 最优估计值和预测值、观测值的关系推导
2.3 目标函数的建立与转化
2.4 扩展证明
2.5 卡尔曼增益求解和协方差矩阵化简
2.6 总结
三、代码实现
3.1 代码1（变量形式）
3.2 代码2（矩阵形式）
一、概述
1.1 简介
卡尔曼滤波，用直白的话来讲，就是你有多个不确定的结果，经过分析、推理和计算，获得相对准确的结果。
多个是指数据来源可以是模型推理得出，也可以是通过仪器测量获得。
不确定是指由于模型本身是一种近似，或者是测量仪器本身的精度误差，或者测量过程不可避免地引入了噪声，甚至因为所需要的特征无法直接获取，只能间接推导获得。
分析、推理和计算，则指的是卡尔曼滤波算法，也是本文接下来将会重点阐述的部分。
相对准确，指的是经过卡尔曼滤波算法获得的结果，比原有的多个不确定的结果更逼近客观真实值，但依然存在误差。
1.2 示例
我们首先从一个简单的例子开始讲起，不妨头脑风暴一下，有一辆小车，从原点出发，以2m/s的速度自西向东做直线运动，t-1时刻在距离原点的东6m处，t时刻雷达测得小车 ...
