1.6速度常量滤波

　　基于物体在一定范围内的移动并不是任意的，当前位置和前一时刻的位置存在一种相互关系的思想，采用速度常量[13]，使移动点保持匀速运动，算法描述如下：

　　估计值：

　　预测值：

　　式中：[Rprev（i）]为i时刻信号强度的测量值；[Rpred（i）]为i时刻信号强度的预测值；[Rest（i）]为i时刻信号强度滤波值；[Vest（i）]为i时刻信号强度变化率的滤波值；[Vpred（i）]为i时刻信号强度变化率的预测值；[a，b]为增益常量；[TS]为采样时间间隔。基于速度常量的滤波算法能够有效地减小信号波动给测量带来的影响。

　　1.7卡尔曼滤波

　　卡尔曼滤波[14]的基本思想是：以最小均方误差为最佳估计准则，采用信号与噪声的状态空间模型，利用前一时刻的估计值和当前时刻的观测值来更新对状态变量的估计，求出当前时刻的估计值，算法根据建立的系统方程和观测方程对需要处理的信号做出满足最小均方误差的估计。

　　RSSI用[xk]表示，采样过程的数学模型可以表示为一个高斯白噪声序列驱动的一阶自递推过程，其状态方程和观测方程可表示为：

　　状态方程：

　　[xk=φk，k-1?xk-1+wk-1]（20）

　　观测方程：

　　[yk=xk+vk]（21）

　　式中：[xk]为k时刻的RSSI值；[yk]为k时刻对[xk]进行测量得到的观测值；[wk-1]和[vk]（k[∈]N）都是独立同分布的噪声序列；[wk-1]表示驱动变化的高斯白噪声序列；[vk]表示k时刻测量过程所引入的噪声，过程激励噪声协方差矩阵为[Q]，观测噪声协方差矩阵为[R]，其中：

　　将状态式（20）和观测方程式（21）联立，算法实现流程为：

　　间更新方程：

　　测量更新方程：

　　式中：[Pk|k-1]为一步预测均方误差阵；[x∧k+1|k]为状态一步预测值；[x∧k]为状态滤波值；[Kk]为滤波增益矩阵；[Pk]为滤波均方误差阵。

　　卡尔曼滤波能在一定程度上削弱由于噪声叠加造成的RSSI观测值偏离，经过卡尔曼算法处理后的RSSI值，稳定性更好。卡尔曼在目标跟踪[15?16]方面也能取得很好的效果。

　　2结语

　　以上论述了几种常用的RSSI滤波处理方法、原理，各种算法都有各自的特点，没有哪一种是绝对最优的，比如均值滤波，其算法简单，易实现，但是精度不高，处理效果不佳，而高斯滤波处理效果好了很多，但是实现起来变得复杂一些，节点消耗更多能耗[17]，同时占用了更多内存空间。实际应用中要根据具体情况，均衡各方面需求，选择合适的滤波方法，也可多种算法混合使用，以达到最佳的滤波效果。希望本文能够为无线传感器网络中处理RSSI值的相关研究者提供一些参考和借鉴。

　　参考文献

　　[1]孙利民，李建中，陈渝，等.无线传感器网络[M].北京：清华大学出版社，2005.

　　[2]REN Ping. A wireless self?organizing and multi?hop network for intelligent home system [C]// Proceedings of the 2010 6th International Conference on Wireless Communications Networking and Mobile Computing. Chengdu， China： [s.n.]， 2010： 1?4.

　　[3] SUO Hui， WAN Jia?fu， HUANG Lian， et al. Issues and challenges of wireless sensor networks localization in emerging applications [C]// Proceedings of International Conference on Computer Science and Electronics Engineering. Hangzhou， China： ICCSEE， 2012， 3： 447?451.

　　[4]彭保.无线传感器网络移动节点定位及安全定位技术研究[D].哈尔滨：哈尔滨工业大学，2009.

　　[5]杨东勇，顾东袁，傅晓婕.一种基RSSI相似度的室内定位算法[J].传感技术学报，2009，22（2）：264?268.

　　[6]GOLDONI E， SAVIOLI A， RISI M， et al. Experimental analysis of RSSI?based indoor localization with IEEE 802.15.4 [C]// 2010 European Wireless Conference. Lucca： EWC， 2010： 71?77.

　　[7] CHANDRA?SEKARAN Ashok?Kumar， DHEENATHAYALAN Prabu， WEISSER Pascal， et al. Empirical Analysis and Ranging Using Environment and Mobility Adaptive RSSI Filter for Patient Localization during Disaster Management [C]// Proceedings of the International conference on Networking and Services. Valencia： ICNS， 2009： 276?281.

　　[8]万群，郭贤生.室内定位理论、方法和应用[M].北京：电子工业出版社，2012.

　　[9]王晖.基于RSSI的无线传感器网络室内定位算法研究与实现[D].北京：北京邮电大学，2010.

　　[10]何平.剔除测量数据中异常值的若干方法[J].航空计测技术，1995，15（1）：19?22.

　　[11]陶为戈，朱华，贾子彦.基于RSSI混合滤波和最小二乘参数估计的测距算法[J].传感技术学报，2012，25（12）：1748?1753.

---

期刊库（http://www.zgqkk.com），是一个专门从事期刊推广、投稿辅导的网站。
　　本站提供如何投稿辅导，寻求投稿辅导合作，快速投稿辅导，投稿辅导格式指导等解决方案：省级投稿辅导/国家级投稿辅导/核心期刊投稿辅导//职称投稿辅导。

---

　　【免责声明】本文仅代表作者本人观点，与投稿辅导_期刊发表_中国期刊库专业期刊网站无关。投稿辅导_期刊发表_中国期刊库专业期刊网站站对文中陈述、观点判断保持中立，不对所包含内容的准确性、可靠性或完整性提供任何明示或暗示的保证。请读者仅作参考，并请自行承担全部责任。