Friis 传输方程最简单的形式如下。 给定两个天线，接收天线输入端的可用功率 P_r 与发射天线的输出功率 P_t 的比率由下式给出\frac{P_r}{P_t} = G_t G_r \left( \frac{\lambda}{4 \pi R} \right)^2 其中 G_t 和 G_r 分别是发射天线和接收天线的天线增益（相对于各向同性辐射器），λ 是波长，R 是天线之间的距离。 括号中因子的倒数是所谓的自由空间路径损耗。 要使用所写的等式，天线增益可能不能以分贝为单位，并且波长和距离单位必须相同。 如果增益的单位为 dB，则将公式稍微修改为：
P_r = P_t + G_t + G_r + 20\log_{10}\left( \frac{\lambda}{4 \pi R} \right) （增益以dB为单位，功率以dBm或dBW为单位） 这种简单的形式仅适用于以下理想条件：
2022-05-11 16:33:11
2KB
1
RSS 代码促进了真正的顺序蒙特卡罗采样方法，以实现自适应不确定性分析，同时仍然实现显着的方差减少。 该方法详细描述于： Shields, MD、Teferra, K.、Hapij, A. 和 Daddazio, RP “用于基于蒙特卡罗的高效不确定性量化的精细分层抽样。” 可靠性工程和系统安全。 142：310-325。
2022-04-18 08:53:41
3KB
1
针对传统的基于WiFi的最近邻(K-nearest neighbor algorithm, WiFi-KNN)室内定位算法精确度不能达到精准定位的需求的问题，本文提出了一种基于位置范围限定的K近邻(K-nearest neighbor based on the location range limit , LRL-KNN)室内定位算法。LRL-KNN算法通过利用用户的先前位置与WiFi指纹数据库中的参考点位置之间的物理距离组成的相关范围因子来缩放指纹距离，以此来减少定位的空间歧义性。尽管利用了先前的位置，但是该算法并不需要知道用户的确切移动速度和方向。与此同时，考虑到WiFi接收信号强度的时间波动性，将RSS直方图合并到距离计算中来减小时间波动带来的影响。实验结果表明：传统KNN算法的平均定位误差为2.13 m，新算法的平均定位误差为1.80 m，该误差在相同的测试环境下比传统的KNN算法减少15%。
2022-04-13 21:31:36
1.17MB
1
一种视距与非视距混合环境下RSS定位方法，郭青，柯炜，本文针对当前视距与非视距混合环境下无线定位精度不高问题，提出一种基于接收信号强度（Received Signal Strength, RSS）的动态定位方法。�
2022-04-02 00:09:11
308KB
1