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：

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%。

为提高定位效率，提出了一种基于多分布密度位置指纹、精度渐进的室内定位算法。该算法把定位区域分为多个局部区域，并设定不同分布密度的参考位置点，根据来自锚节点的接收信号强度（RSS）时间和强度分布，通过各局部区域对应的信号覆盖向量和主成分分析法（PCA）提取的稀疏指纹的特征实现层次化匹配，有效减少在线指纹匹配过程的计算量，有利于目标节点存储空间和能耗的优化。实验结果表明，提出的算法在定位精度上不逊于其他室内定位算法，并且对锚节点分布密度依赖度小。

RSSI定位技术的室内定位算法中,由于室内环境的复杂性及人员的随机性等因素可能会带有噪声影响,所以需要加以抑制。本次设计的室内定位算法首先根据室内特殊环境设计出定位算法流程图,建立算法模型并用卡尔曼滤波算法来抑制环境中噪声因素所引起的误差,然后结合改进的RSSI算法实现室内移动人员的定位,使得定位的结果更接近于真实值。重点研究将卡尔曼滤波算法与改进的RSSI算法相结合估算出更精确的室内人员位置信息。通过实验表明,结合卡尔曼滤波改进的室内人员定位算法的定位精确度有明显的提升,误差相比于文献9所提出的定位算法有所降低。 

在无线传感器网络定位系统中，尤其是在室内定位中，非视距（NLOS）误差的存在使定位性能急剧下降。为克服非视距传播带来的定位误差，提出了一种针对非视距环境下联合接收信号强度（RSS）和到达时间（TOA）的定位算法。该方法首先通过 RSS和 TOA的测量结果建立关于目标位置的非凸优化问题，然后通过二阶锥松弛理论，将原始的非凸优化问题转换为一种凸优化问题，由此能够快速得到原问题的一个次优解。通过计算机模拟仿真验证，新方法的估计精度更高，性能更好。

m 文件完整描述了使用 Friis 方程和对数正态构建室内环境传感器网络的模拟

针对基于RSSI的无线传感器网络定位测距问题,在对数-常态分布模型下提出了一种混合滤波及最小二乘环境参数动态估计的测距算法。以锚节点作为参考节点,采用基于均值滤波、中值滤波和高斯滤波的混合滤波方法优化RSSI值,运用最小二乘法估计环境参数,再由盲节点与锚节点的RSSI混合滤波优化值计算二者之间的距离。仿真结果表明,混合滤波性能优于其它单一滤波方法,环境参数估计相对误差小于2.5%,空旷环境下100 m范围内测距相对误差小于10%,满足无线传感器网络定位测距要求。

该算法预测移动用户的接收信号强度，以避免在移动用户定位（寻找移动用户位置）过程中接收信号强度的波动

由于矿井下巷道空间有限且存在弯曲,因此通信传播大多为非视距(NLOS)传播环境。传统的基于距离的无线传感网络定位技术易产生较大误差,从而导致定位精度不高。超宽带(UWB)信号具有穿透能力强、抗多径能力强的特点,能够提供较高的定位精度,因此成为NLOS环境下定位的首选。针对NLOS环境下的定位精度不高的问题,在接收信号强度(RSSI)测距和三边算法联合定位的基础上,提出以联合定位得到的初始坐标做为无迹卡尔曼滤波(UKF)算法的观测值,并对UKF的测量更新方程进行修正,使该算法能适应NLOS环境下的定位跟踪。通过仿真验证并与扩展卡尔曼滤波(EKF)算法进行比较,在NLOS环境下改进的UKF定位算法,能够对目标进行实时跟踪并提高定位的精度。

行业分类-电信-一种基于接收信号强度的测距方法.rar