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。