indoorLocation（4）--数据滤波的几种方式

将android收集到的数据写入CSV之后，就方便我们进行数据统计与计算了。对于原始数据，主要有以下几种滤波方法：

1，均值滤波（中值滤波解决方式相似）

采集数据时间间隔假设为0.5秒，连续采集一段时间，取改短时间内的RSSI均值。但是该方法虽然可以在一定程度上减小干扰导致的差距，但是在出现较大的波动时，该种方式依然将较大波动计算在内，会影响采集的指纹的精确度。

import matplotlib.pyplot as plt
import pandas as pd

# 使用均值滤波，本次数据是将所有的数据进行均值滤波，在现实数据采集的时候，可以通过固定数据大小进行滤波处理
def showData():
    dataE = pd.read_csv('./dataRM.csv', dtype='float64').T[0:10]
    print(dataE)
    plt.plot(dataE, 'o')
    plt.show()
    dataMean = pd.read_csv('./dataRM.csv', dtype='float64').mean().T[0:10]
    print(dataMean)
    plt.plot(dataMean, 'o')
    plt.show()


if __name__ == '__main__':
    showData()

上图一表示的是每个采样点的RSSI值分布，图二为均值，可以观测到，当样本容量很大，RSSI波动范围较小时，信号平滑度较高，可较好地解决RSSI干扰问题；当RSSI值波动较大时，该方法可信度下降。

2，低通滤波

一阶低通滤波法采用本次采样值与上次滤波输出值进行加权，得到有效滤波值，使得输出对输入有反馈作用。
Y(n)=αX(n) + (1-α)Y(n-1) 
式中：α=滤波系数；X(n)=本次采样值；Y(n-1)=上次滤波输出值；Y(n)=本次滤波输出值。

#!/usr/bin/env python
# -*- coding: UTF-8 -*-

import matplotlib.pyplot as plt
import pandas as pd
import numpy as np

# 使用低通滤波，也就是将新加入的数据的影响权值降低，多数权值保留在已有数据中
# 在数据采集的时候，新加入数据的权值和已有数据权值可以通过深度学习进行model创建，本次部进行描述
def lowPassData():
    data = np.array(pd.read_csv('./dataRM.csv', dtype='float64'))[:, 0:10]
    # 我们截取其中一组数据进行分析
    dataOne = data[:, 0]
    plt.plot(dataOne, '.')
    plt.show()
    realA = [0 for i in range(len(dataOne))]
    for i in range(len(dataOne)):
        if i < 10:
            realA[i] = 0.5*dataOne[i] + 0.5*realA[i-1]
        else:
            realA[i] = 0.005*dataOne[i] + 0.995*realA[i-1]
    plt.plot(realA, '.')
    plt.show()


if __name__ == '__main__':
    lowPassData()

下图为实验测试结果：