matlab实现RSSI指纹定位

文章目录

一、要求二、设计三、代码四、结果五、结论

一、要求

要求一：RSSI的测量值由对数路径损耗模型产生，为减小波动造成的误差，其值可由多次测量取平均值来得到。

要求二：定位指纹数据库的建立是基于网格形式产生不同的指纹节点。

要求三： 比较KNN算法与WKNN算法的CDF曲线对比图，横坐标为定位误差，纵坐标为CDF。

二、设计

三、代码

Database：

function [X]=databaseone(A,sigma) pd0=0; n=3; [m,~]=size(A); tt=2; coor=[]; RSSIone=[]; for i=30:30:480 for j=30:30:480 coor1=[i,j]; coor=[coor;coor1]; d1=A-ones(m,1)*coor1; d2=sum(d1.^2,2); d=d2.^(1/2); for k=1:tt rssi(:,k)=pd0-10*n*log10(d)-10^(sigma/10)*randn(m,1); end RSS_m=mean(rssi,2)'; RSSIone=[RSSIone;RSS_m]; end end X=[coor,RSSIone]; end

Main：

clear all; clc; BS1=[0,0]; BS2=[500,0]; BS3=[500,500]; BS4=[0,500]; std_var=4; A=[BS1;BS2;BS3;BS4]; pd0=0; n=3; tt=2; number=1000; for i=1:number MS=[400*rand,400*rand]; r1=A-ones(4,1)*MS; r2=(sum(r1.^2,2)).^(1/2); for k=1:tt rssi(:,k)=pd0-10*n*log10(r2)-10^(std_var/10)*randn(4,1); end RSSIoone=mean(rssi,2); X=databaseone(A,std_var); [m,~]=size(X); for j=1:m distance(j)=norm(X(j,3:end)-RSSIoone'); end [C,I]=sort(distance); K=3; match_result=X(I(1:K),1:2); est1=mean(match_result); RMSE1(i)=norm(est1-MS); weight=1./C(1:K); weight=weight'/sum(weight); est2=sum([weight.*match_result(:,1),weight.*match_result(:,2)]); RMSE2(i)=norm(est2-MS); est3=X(I(1),1:2); RMSE3(i)=norm(est3-MS); end RMSE=0:20; for i=1:length(RMSE) n1=0; n2=0; n3=0; for j=1:number-5 if RMSE1(j)<=RMSE(i) n1=n1+1; end if RMSE2(j)<=RMSE(i) n2=n2+1; end if RMSE3(j)<=RMSE(i) n3=n3+1; end end p1(i)=n1/number; p2(i)=n2/number; p3(i)=n3/number; end plot(RMSE,p1,'-O',RMSE,p2,'-s',RMSE,p3,'-x') xlabel('The localization error (m)'); ylabel('CDF'); legend('KNN','WKNN','NN');

四、结果

每30米定位一次（取5次RSSI值平均一次） 每20米定位一次

五、结论

由上图可知，定位的范围越小（每多少米定位一次）CDF值越大，而且随着定位误差的增加CDF值也随之增加。而且从图中我们不难发现KNN算法和WKNN算法的性能相差不大。在相同定位范围的情况下，改变tt（取RSSI的次数）的值得到的CDF值也就不同，而且tt越大，CDF值也越大。