01_列表
列表 初始化与创建 # 自动初始化为全0 a = [0] * n # 二维列表（注意：不能用 [[0]*m]*n，是浅拷贝！） grid = [[0] * m for _ in range(n)] # 列表推导式 squares = [x * x for x in range(n)] evens = [x for x in range(n) if x % 2 == 0] # 基本格式: [表
选择题考点
范数 L2 范数（欧几里得范数）计算公式： ∥X∥2=∑i=1nxi2\|X\|_2 = \sqrt{\sum_{i=1}^{n} x_i^2} 即把每个元素平方后求和，再开平方。 范数（norm） 是衡量一个向量”大小”或”长度”的函数。常见的有： L0 范数：非零元素的个数 ∥x∥0=#{i:xi≠0}\|x\|_0 = \#\{i : x_i \neq 0\} 严格说它不是真正的范数，但常
未命名
大模型应用开发常见要求是： RAG、Agent、Function Calling、MCP LangChain / LlamaIndex 向量数据库：FAISS / Milvus / Chroma Prompt Engineering、结构化输出 vLLM、量化、推理优化 FastAPI、Docker、Redis、异步并发 评测体系、成本/延迟监控 如果你还有时间，建议做一个大模型应用开发项目，
粒子滤波与加权粒子滤波：权重层次、似然计算、HDOP与数据驱动噪声建模
粒子滤波与加权粒子滤波：权重层次、似然计算、HDOP与数据驱动噪声建模 1. PF 的核心计算：残差、似然与粒子权重 1.1 PF 对每个粒子计算什么 对第 ii 个粒子 𝒙(i)\mathbf{x}^{(i)}，PF 在自然更新阶段依次计算三样东西。 （1）对每个 AP 的残差（每个粒子 × 每个 AP 一个标量）： rj(i)=dj−∥𝒙(i)−𝒂j∥ r_j^{(i)}=d_j-\|\
基于粒子滤波与两阶段AP剔除的三维定位算法
基于粒子滤波与两阶段AP剔除的三维定位算法 1. 算法总览 本算法面向三维空间中的目标定位问题，核心设计可以概括为： 2000 个粒子均匀铺满场景，每 T 个时刻执行一轮三阶段更新（预测 → 自然更新 → 系统重采样），并在每轮更新中嵌套两阶段 AP 剔除迭代：首段用全部 AP 跑 PF 做残差剔除，剔除残差大于 8 m 的 AP 且保证剩余 AP 不少于 3 个；二段用剩余 AP 再跑一次 P
加权粒子滤波（WPF）算法
加权粒子滤波（WPF）算法 1. 动机：标准 PF 的“AP 同权”假设在 NLOS 下不成立 标准粒子滤波在自然更新阶段，对每个 AP 的似然贡献是平等相乘的： L(i)=∏j∈𝒮𝒩(rj(i);0,σj2) L^{(i)} = \prod_{j\in\mathcal{S}} \mathcal{N}\!\left(r_j^{(i)};\,0,\,\sigma_j^2\right) 这意味着
粒子滤波（PF）算法（通俗版）
粒子滤波（PF）算法（通俗版） 1. 一句话理解粒子滤波 粒子滤波就是“撒一把点，看哪个点最像真的，然后围着像的点再撒”。 想象你在一个黑屋子里找一个隐藏的物体，你手里有一堆测距仪（AP），但测距有误差。你不知道物体在哪，于是： 先随便撒 2000 个“猜测点”，均匀铺满整个房间——这就是粒子； 每个猜测点都拿去和测距仪比对：如果这个点算出来的距离和测距仪测到的差不多，说明这个点“靠谱”，给它高
粒子滤波（PF）算法
粒子滤波（PF）算法 1. 动机：当卡尔曼类方法不再够用 三维定位中，前面讨论的 LS/WLS/NLS/WNLS 本质上都是批量式估计：把当前时刻所有测距值堆在一起，解一次坐标。但真实系统往往是序贯的——目标在运动，每一时刻都有新的观测到达，而且运动模型和观测模型都可能带有非高斯噪声。 卡尔曼滤波（KF）在线性高斯条件下是最优的，但它要求模型线性、噪声高斯。扩展卡尔曼滤波（EKF）通过一阶泰勒展开