基于RSSI极大似然估计定位算法的改进与实现.docx

基于RSSI极大似然估计定位算法的改进与实现
基于RSSI极大似然估计定位算法的改进与实现
摘要
随着无线通信技术的快速发展和广泛应用，室内定位问题成为一个备受关注的研究领域。RSSI（ReceivedSignalStrengthIndication）是一种常用的无线信号强度指标，可以在室内环境中进行定位。本文针对基于RSSI的定位算法进行改进，在极大似然估计的基础上提出了一种新的定位算法，并通过实验证明了其优越性。
关键词：RSSI,定位算法,极大似然估计,实验验证
1.引言
室内定位在场景监控、智能家居、无线定位导航等领域具有重要的应用价值。常见的定位方法包括基于时间差测量（TimeofArrival,TOA）、接收信号强度指示（ReceivedSignalStrengthIndication,RSSI）、到达时间差（TimeDifferenceofArrival,TDOA）等。由于TOA和TDOA方法对硬件和系统时间同步的要求较高，而RSSI方法通过测量无线信号收到的功率来判断距离，因此受到了广泛的关注。
2.RSSI定位算法原理
RSSI是一种无线信号强度指示，常用于衡量无线信号的强弱。RSSI值与距离之间的关系可以用信号衰减模型进行建模，常用的模型有Log-DistancePathLoss模型、多径衰落模型等。在RSSI定位算法中，通过采集接收到的RSSI值，并结合已知位置的RSSI值进行对比，利用极大似然估计方法，可以得到未知位置的坐标估计。
3.基于RSSI极大似然估计的定位算法改进
3.1RSSI数据预处理
为了提高定位算法的精确度和鲁棒性，首先对采集到的RSSI数据进行预处理。常见的预处理方法包括异常值剔除、数据归一化等。异常值剔除可以排除不符合实际的RSSI值，避免对定位结果的影响；数据归一化可以将数据进行标准化，使不同节点的RSSI值具有可比性。
3.2RSSI定位算法改进
在传统的RSSI定位算法中，常用的估计方法是通过最小二乘法对RSSI值进行拟合。然而，最小二乘法对数据噪声敏感，容易受到信号间隔、侧波等因素的干扰。为了解决这个问题，本文提出了一种基于极大似然估计的定位算法。
首先，根据已知节点的位置和对应的RSSI值，建立RSSI与距离之间的模型。通过概率分布函数的极大似然估计，可以得到未知节点到已知节点的距离估计。然后，利用多个已知节点的距离估计值，结合几何约束条件，可以得到未知节点的位置估计。
4.实验验证
本文通过实验验证了基于RSSI极大似然估计的定位算法的优越性。实验采用了具有相同配置的无线传感器节点，放置在实验室中不同位置。通过测量各节点间的RSSI值，并结合已知节点的位置信息，进行定位估计，与实际位置进行对比。
实验结果表明，基于RSSI极大似然估计的定位算法相比传统的最小二乘法方法具有更好的定位精度和鲁棒性。在不同环境下，算法的平均误差小于传统方法，具有更广泛的适用性。
5.结论
本文基于RSSI极大似然估计的定位算法进行了改进与实现。通过对RSSI数据的预处理和采用极大似然估计方法，提高了定位算法的精确度和鲁棒性。实验验证结果表明，该算法具有更好的定位精度和适用性。未来的研究可以进一步优化算法，提高室内定位的实际应用效果。
参考文献
[1]Kuusniemi,H.,Sikanen,M.,&Sand,A.(2018).IndoorpositioningsystemforwearablesbasedonBluetoothandreceivedsignalstrength.TheJournalofEngineering,2018(15),1310-1315.
[2]Sharma,R.,&Koul,S.S.(2017).RSSIbasedindoorlocalizationusingGaussianProcesses.In2017IEEECalcuttaConference(CALCON)(pp.311-315).IEEE.
[3]Zhang,W.,Wu,Z.,Zhang,Z.,&Zhang,J.(2019).AnimprovedRSSImeasurementmodelforindoorpositioning.Sensors,19(2),331.