下载文档原格式
基于RSSI优化的模型参数改进室内定位算法室内定位是指在建筑室内环境中准确确定物体或人的位置。
随着室内定位技术的发展，人们可以利用室内定位算法来实现室内导航、智能家居和安防等应用。
基于无线信号强度指示（RSSI）的室内定位算法被广泛应用于室内定位中。
RSSI是指接收到的信号的强度，可以通过无线技术来获取。
在室内定位中，常常使用无线网络（如Wi-Fi）的信号强度作为定位依据。
基于RSSI的室内定位算法的基本原理是测量接收到的信号强度，然后将其与预先收集到的信号强度数据库进行比较，从而确定物体的位置。
由于室内环境的复杂性和无线信号的不稳定性，基于RSSI的室内定位算法存在一定的误差和不准确性。
为了改进这个问题，研究人员提出了一些优化方法。
对于室内定位算法来说，模型参数的选择非常重要。
模型参数影响着算法的精度和鲁棒性。
需要通过实验和分析来选择最佳的模型参数。
一种常用的方法是使用回归分析来估计模型参数。
回归分析可以通过建立数学模型来找到输入变量（如RSSI）与输出变量（如位置坐标）之间的关系。
然后，通过对大量数据进行测试和训练，优化模型参数，从而提高室内定位算法的准确性。
为了减小RSSI测量误差对定位结果的影响，可以采用滤波技术来平滑RSSI数据。
常用的滤波技术包括移动平均滤波和卡尔曼滤波。
移动平均滤波是一种简单的平均方法，它通过对连续多个RSSI测量值进行平均来减小噪声的影响。
卡尔曼滤波是一种递归滤波方法，可以根据测量噪声、系统模型和控制信号等信息来动态估计物体的位置。
通过应用滤波技术，可以减小RSSI测量误差对定位结果的影响，提高定位算法的精度。
为了提高室内定位算法的性能，可以使用机器学习技术来进行模型参数的优化。
机器学习可以通过学习大量的数据来自动调整模型参数，从而提高算法的性能。
常用的机器学习方法包括支持向量机、神经网络和决策树等。
通过使用机器学习技术，可以更好地适应不同的室内环境和不同的无线信号特性，进一步提高室内定位算法的准确性和鲁棒性。
基于RSSI优化的模型参数改进室内定位算法室内定位是指在室内环境中使用技术手段对移动终端的位置进行定位。
目前，基于RSSI（接收信号强度指示）的室内定位算法被广泛应用于WiFi、蓝牙和Zigbee等无线通信技术中。
由于室内环境的复杂性，定位误差较大，因此需要对模型参数进行优化改进。
我们需要了解室内定位算法的基本原理。
基于RSSI的室内定位算法通常使用多个参考节点的信号强度值来进行定位。
参考节点被布置在室内环境中，并且已知其位置坐标。
通过测量移动终端接收到的参考节点的信号强度，可以计算移动终端与每个参考节点之间的距离。
然后，通过距离的三角定位法来确定移动终端的位置坐标。
由于信号在室内环境中的传播受到多径效应、障碍物的干扰等因素影响，计算得到的距离存在误差。
为了改进模型参数，可以考虑以下几个方面。
第一，优化距离计算模型。
距离的计算模型一般使用路径损耗模型或指数模型。
路径损耗模型将信号强度与距离之间的关系表示为一个线性函数，但在室内环境中，信号强度与距离之间的关系并非完全线性。
可以尝试使用非线性函数来建立信号强度与距离之间的关系模型，以更准确地计算距离。
第二，引入地理信息辅助定位。
除了信号强度，地理信息也是确定位置的重要因素。
可以将参考节点的地理位置信息作为约束条件，与信号强度结合使用。
可以使用最小二乘法来拟合地理位置信息和信号强度，以获得更精确的定位结果。
考虑场景特性进行参数优化。
不同的室内环境具有不同的特征，例如墙壁材料的不同、障碍物的位置等。
可以通过对不同场景中的RSSI数据进行采集和分析，建立不同场景下的模型参数，以提高室内定位的准确性。
第四，引入机器学习算法进行参数优化。
机器学习算法可以通过学习大量的RSSI数据和真实位置数据，自动调整模型参数，以最小化定位误差。
可以使用分类算法（如支持向量机）或回归算法（如神经网络）来进行建模和参数优化。
基于RSSI优化的模型参数改进室内定位算法可以通过优化距离计算模型、引入地理信息辅助定位、考虑场景特性进行参数优化以及引入机器学习算法等方法来提高室内定位的准确性。
基于RSSI的定位算法研究与优化基于RSSI的定位算法（Received Signal Strength Indicator）是一种常见的无线定位技术，通过测量无线信号的信号强度来确定用户的位置。
该算法常用于室内定位、物联网和智能城市等领域。
RSSI定位算法的原理是基于信号强度与用户距离之间的关系。
通常情况下，信号强度与距离呈反比关系，即距离越远，信号强度越弱。
RSSI 定位算法工作流程如下：1.建立参考数据库：首先，建立一个参考数据库，其中包含已知位置与相应RSSI值的对应关系。
这些已知位置可以在区域内的多个点进行测量和记录。
2. 采集RSSI数据：用户设备测量距离他们的无线接入点（Access Point，AP）的信号强度，并将其设备测量到的RSSI值发送给服务器。
3.RSSI匹配：服务器将用户设备测量到的RSSI值与参考数据库中的RSSI值进行匹配，并找出最佳匹配的位置。
4.定位结果：算法根据匹配度对每个已知位置进行排名，确定最终的用户位置。
1.环境映射优化：环境因素（如障碍物、多径效应等）会影响信号传输和测量准确性。
通过对环境进行建模和映射，可以更准确地估计用户位置。
2.多个AP的使用：使用多个AP可以提高定位的准确性。
通过测量不同AP之间的信号强度，可以使用多边定位算法（如三角定位算法）来准确估计用户位置。
3.机器学习算法：机器学习算法可以通过分析大量的RSSI数据来识别模式，并从中提取特征以改进定位准确性。
常见的机器学习算法包括支持向量机（SVM）、人工神经网络（ANN）等。
4.滤波算法：滤波算法可以减小测量误差对定位结果的影响。
常用的滤波算法包括卡尔曼滤波、粒子滤波等。
5.数据融合：将RSSI定位与其他传感器数据（如加速度计、陀螺仪等）相结合，可以提高定位的准确性和稳定性。
综上所述，基于RSSI的定位算法是一种常见且有潜力的无线定位技术。
通过对算法的优化和改进，可以提高定位的准确性和鲁棒性，进一步推动其在室内定位、物联网和智能城市等领域的应用。
基于RSSI测距的定位算法的研究引言ZigBee技术中定义了3种设备：协调器（Coordinator），路由器(Router)和终端设备(End?Device)。
协调器主要负责启动整个网络；路由器的功能主要是允许其他设备加入网络及多跳路由等；终端设备一般没有特定的维持网络结构的责任。
ZigBee技术通过这3种设备可以构成一个移动自组织的网络，广泛应用在家庭、环境监测、工农业等场合[1]。
目前的定位技术总体上可以分为基于测距技术与无需测距技术。
前者定位精度较高，后者实现起来比较简单。
在测距技术中，有基于接收信号强度（RSSI）、基于到达时间差（TOA）、基于不同波的到达时间差（TDOA）以及到达角度差（AOA）等[24]。
在这几种测距技术中，基于RSSI的测距技术将接收到的信号强度转换为节点之间的距离，不需要额外的硬件和数据交换，有成本低、容易实现等优点。
本文结合CC2430/CC2431芯片，设计了一种基于RSSI 的测距定位算法。
1 RSSI测距的实现原理基于RSSI的测距技术是利用无线电信号随距离增大而有规律地衰减的原理来测量节点间的距离的。
接收信号强度RSSI与传输距离d的关系如下所示[5,8]：RSSI=-（10×n×lgd+A）(1)式中，n表示信号传播常数，也叫传播系数；d表示与发送者的距离；A表示距发送者1 m时的信号强度。
测距精度的高低受到n与A实际取值大小的影响较大。
A是一个经验参数，可以通过测量距离发送者1 m处的RSSI 值得到。
n是用来描述信号强度随距离增加而递减的参量,n的大小依赖具体的环境。
为了得到最优的n值，可以先放置好所有的参考节点，然后尝试用不同的n_index值找到最适合这个具体环境的n值。
2 节点组成的定位网络2.1 CC2430/CC2431芯片介绍CC2430/CC2431是Chipcon公司（现被TI收购）推出的针对IEEE 802.15.4/ZigBee应用的片上系统，其内部集成了工作在2?4 GHz 的射频收发器，拥有低功耗的8051 MCU内核、128 KB可编程Flash ROM和8 KB RAM，还有A/D转换器、定时器等。
《基于RSSI的RFID室内定位算法优化研究》篇一一、引言随着无线通信技术的飞速发展，室内定位技术在许多领域得到了广泛应用，如物流、医疗、安防等。
射频识别（RFID）技术因其非接触式、高效率等优点，在室内定位系统中得到了广泛的应用。
基于接收信号强度指示（RSSI）的RFID室内定位算法是其中一种重要的技术手段。
然而，由于室内环境的复杂性和多径效应的影响，传统的RSSI定位算法在定位精度和稳定性方面仍有待提高。
本文针对这一问题，对基于RSSI的RFID室内定位算法进行优化研究。
二、RSSI基本原理及现有问题RSSI是指无线信号的接收强度指示，可以通过RFID阅读器接收到的信号强度来估算阅读器和标签之间的距离。
基于这一原理，传统的RSSI定位算法通过多标签定位和三角测量法等方法实现室内定位。
然而，由于室内环境的复杂性和多径效应的影响，RSSI值容易受到环境因素的影响，导致定位精度不高和稳定性差。
三、算法优化方法针对上述问题，本文提出以下几种算法优化方法：1. 数据预处理：通过对收集到的RSSI数据进行预处理，如去除噪声、数据平滑等操作，提高数据的可靠性。
2. 多模型融合：结合多种定位算法的优点，如指纹定位、三角测量法等，通过多模型融合提高定位精度。
3. 环境校正：根据实际环境特点，对RSSI值进行校正，以减少环境因素对定位精度的影响。
4. 动态调整阈值：根据实际环境中的信号强度变化情况，动态调整阈值，以提高定位的稳定性和准确性。
四、具体实现及实验分析（一）数据预处理首先，收集室内环境的RSSI数据，并对数据进行去噪、平滑等预处理操作。
预处理后的数据更加可靠，为后续的定位算法提供基础。
（二）多模型融合本文采用指纹定位和三角测量法相结合的方式进行定位。
首先，通过指纹定位建立室内环境的指纹图谱；然后，利用三角测量法根据接收到的RSSI值估算标签的位置。
通过多模型融合，提高了定位的精度和稳定性。
（三）环境校正及动态调整阈值针对不同环境特点，本文提出了一种基于环境校正的RSSI 值修正方法。
无线传感器网络中基于RSSI的节点定位算法研究无线传感器网络中基于RSSI的节点定位算法研究摘要：随着无线传感器网络的发展，节点定位技术成为无线传感器网络研究领域中的重要问题之一。
本文基于RSSI （Received Signal Strength Indicator）的节点定位算法进行了研究。
一、引言无线传感器网络是由大量的分布式无线传感器节点组成的网络系统，广泛应用于环境监测、目标跟踪、智能交通等领域。
节点的定位是无线传感器网络中的关键问题之一，准确的节点定位可以提高网络性能和应用效果。
二、节点定位技术概述节点定位技术主要分为两类：基于GPS的定位和基于无线信号的定位。
基于GPS的定位技术需要节点具备GPS模块，但GPS模块存在成本高、功耗大等问题。
基于无线信号的定位技术可以通过节点之间的相对距离和信号强度来实现定位。
三、RSSI技术原理RSSI是指接收信号强度指示器，是无线传感器网络中常用的参数。
RSSI的测量可以通过接收到的信号强度来判断节点之间的距离和位置关系。
四、基于RSSI的节点定位算法基于RSSI的节点定位算法主要有三种：距离法、三角法和指纹法。
1. 距离法：根据RSSI和距离之间的关系，通过RSSI测量值来计算节点之间的距离。
然后通过多个节点之间的距离来计算目标节点的位置。
2. 三角法：利用三角定位原理，通过多个节点之间的RSSI值来计算目标节点的位置。
通常需要至少3个节点才能定位。
3. 指纹法：通过在节点部署区域进行事先测量和标记，得到不同位置的RSSI指纹图，并与目标节点接收到的RSSI进行匹配，从而确定目标节点的位置。
五、实验结果分析通过对比不同算法的节点定位精度，可以得出以下结论：距离法具有较高的精度，但依赖于传输的RSSI值准确性；三角法需要多个节点参与定位，效果相对较好；指纹法在实际应用中可以得到较高的定位精度。
六、节点定位误差分析节点定位误差的主要影响因素包括传感器的误差、信号传播过程中的噪声干扰等。
基于RSSI优化的模型参数改进室内定位算法
近年来，室内定位技术越来越受到关注。
室内定位对于智能家居、智慧城市、智能物流等领域的发展具有重要意义。
然而，室内定位算法的准确性和稳定性一直是难以解决的问题。
针对这个问题，本文提出了基于RSSI优化的模型参数改进室内定位算法。
首先，本文介绍了RSSI技术的原理。
RSSI (Received Signal Strength Indication) 是指接收信号强度指示，它可以通过测量接收信号的强度来确定设备的距离和位置。
在室内定位中，我们常用RSSI技术来确定设备的位置。
然后，本文提出了一种基于RSSI优化的模型参数改进算法。
该算法主要通过改进RF 模型中的RSSI参数和距离衰减指数，来提高室内定位算法的准确性。
具体步骤如下：
1. 收集RSSI数据。
首先需要收集RSSI数据，可以通过在建筑物内安装Beacon节点或WiFi设备来获取RSSI数据。
2. 计算距离。
根据RSSI和距离之间的对数关系，计算出设备与Beacon节点或WiFi 设备的距离。
4. 优化模型参数。
使用粒子群算法或其他优化算法，优化模型中的RSSI参数和距离衰减指数。
5. 验证算法精度。
使用实际数据集进行验证，计算出算法的准确性和稳定性，进一
步调整模型参数。
最后，本文通过实验结果验证了算法的有效性。
实验结果表明，该算法相较于传统的RF模型算法和KNN算法，具有更高的准确性和稳定性。
《基于RSSI的RFID室内定位算法优化研究》篇一一、引言随着物联网技术的不断发展，室内定位技术已成为人们关注的焦点。
射频识别（RFID）技术因其非接触、低成本、高效率等优点，在室内定位领域得到了广泛应用。
基于接收信号强度指示（RSSI）的RFID室内定位算法是一种常用的方法。
然而，由于室内环境的复杂性和多径效应的影响，RSSI值易受外界干扰，导致定位精度不高。
因此，对基于RSSI的RFID室内定位算法进行优化研究具有重要意义。
二、RSSI基本原理及现有算法分析RSSI是指无线信号的强度信息，通过测量信号的强度可以估算出信号源与接收端之间的距离。
在RFID系统中，标签返回的RSSI值被阅读器接收，根据这些值可以估算出标签与阅读器之间的距离。
现有的基于RSSI的RFID室内定位算法主要包括最近邻法、K近邻法、加权质心法等。
这些算法虽然能够在一定程度上实现室内定位，但在复杂环境下仍存在定位精度不高、鲁棒性差等问题。
三、算法优化研究针对现有算法的不足，本文提出一种基于多因素加权的RFID室内定位算法优化方案。
该方案综合考虑了信号强度、信号稳定性、环境因素等多个因素，对每个因素进行加权处理，以提高定位精度和鲁棒性。
1. 多因素加权模型构建首先，对RSSI值进行预处理，包括去除异常值、滤波等操作，以提高数据的可靠性。
然后，根据室内环境特点，选取信号强度、信号稳定性、环境因素等多个因素，构建多因素加权模型。
每个因素根据其对定位精度的影响程度赋予不同的权重。
2. 定位算法优化在加权模型的基础上，对原有算法进行优化。
对于最近邻法，通过计算标签与阅读器之间的距离以及各因素的加权值，选择最匹配的标签进行定位。
对于K近邻法，选取K个最匹配的标签，根据它们的加权值和距离信息综合判断定位结果。
对于加权质心法，根据各因素的加权值和标签位置信息计算质心位置，实现更精确的定位。
四、实验与分析为了验证优化算法的有效性，我们在实际环境中进行了实验。
基于RSSI测距定位算法的研究和改进
作者：何沃林
来源：《数字技术与应用》2017年第09期
摘要：RSSI的定位算法在实际应用中的定位精度较低。
通过研究分析通信距离、环境参数和信号干扰等各种因素对RSSI值测量的影响，为提出高效的定位算法提供研究思路。
结合缩短通信距离、改进节点坐标计算方法等几种方法的综合应用，实现对RSSI定位算法的改进和参数优化，提高其定位精度和抗干扰能力。
通过对RSSI定位算法的改进和参数优化，提高其定位精度和抗干扰能力。
关键词：无线传感器网络；测距；RSSI；定位算法
中图分类号：TP273 文献标识码：A 文章编号：1007-9416（2017）09-0134-02
接收信号强度测距法RSSI（Received Signal Strength Indication）为基础的定位算法，被普遍运用于无线传感器网络节点定位之中。
其理想情况是定位结果坐标为一个正确的位置点，但由于传输距离、信号干扰等诸多因素的影响，往往无法确保RSSI测量结果的精确度，使定位点位于一个存在一定误差的区域内，改正思路是在实际的应用中，对传统的RSSI定位算法进行改进和参数的优化，尽可能缩小这个误差区域。
1 影响RSSI定位精度的因素
1.1 通信距离与障碍物
通信距离将影响到无线电信号衰减量，在长距离传输过程中，信号受环境干扰较大。
另外信道内存在障碍物，通过对信号的折射、反射等，会使得信号衰减不断加剧，最终也会对RSSI数值测量结果产生影响。
在以下实验过程中，对四组典型环境参数进行选取，A均取值为41，n则分别取值为2.6、2.8、3.0以及3.2。
具体结果参见图1。
可以看到，在测距距离不断加大的同时，各组环境参数之下的误差曲线均体现出误差持续增加的特性。
若保持在5米之内，则误差增长相对缓慢，而一旦超过这一数值，则误差的增加将极为显著[1]。
此外，因为障碍物存在于信道之中，往往会产生反射、折射等影响，在加大通信距离之后，上述影响将因此而增大。
RSSI数值的测量将因为障碍物而受到影响，导致传播进程中的信号损耗。
1.2 环境参数
在对RSSI数值进行计算时，所应用的环境参数是否和实际环境相符，是决定定位误差大小的关键。
在上述不同通信距离定位误差测试的实验中，当参数A以及n分别为41以及2.8
时，则此时获得的定位结果精确度最高，而当参数A以及n分别为41以及3.2时，则取得的定位结果精确度最差[1]。
由此可认识到，定位精确度很大程度上会因为微小的环境参数变化而受到影响。
从室内环境来看，障碍物会把室内空间分隔成多个相对独立的子区域，使用单一的环境参数无法适用于整体区域。
1.3 信号干扰
（1）突发干扰。
测量RSSI值时，不论是环境的突然改变、还是人员走动等，均会对此产生突发干扰。
因为突发干扰的存在，对RSSI值产生了显著影响，且比障碍物存在于信道时的影响程度明显更高。
（2）随机干扰。
信号在传播过程中受到信号反射、衍射以及测量节点内部噪声和量化噪声等因素的影响，使得节点测量获得的RSSI数值产生随机误差[2]。
在RSSI测量进程中，随机干扰持续存在，使测量值不断波动，而且因为无规则变化，使得其数值的正负、大小等无法被预测[2]。
（3）噪声干扰。
RSSI值测量的整体进程均会受到噪声影响，使得最终获得的是噪声和测量值混合后的数据[3]。
对比随机干扰导致的RSSI数值波动，噪声干扰之下的数值波动显然更强，而导致较大脉冲的出现，数据变化更无规律可循[3]。
2 RSSI定位算法的改进和优化
2.1 通信距离和区域布局的调整
从上面的实验数据可以看出，当通信距离达到5米以上时，则将出现显著的定位误差增加，5米距离之内的定位误差增长相对缓慢。
通过结合对参考节点密度的增加，使得两类节点的通信距离得以缩短，同时划分整体区域为多个子区域，以5米作为衡量其大小的具体依据[1]。
在分割子区域以后，未知节点需符合如下要求，即至少和三个小于5米临界距离的参考节点相互通信，图2为子区域分割的示意图。
在具体运用时，需结合室内整体布局，对子区域的分割方案予以合理设计，尽量减少由障碍物导致的影响。
在通信距离方面只需保持在临界距离以内，不需要对子区域进行完全相等的划分。
在分割区域以后，在拟合环境参数时，以各子区域作为操作环境，最终获得的环境参数和子区域相符。
2.2 环境参数自适应
为使系统具备和实际环境较为接近的信号衰减模型参数，当网络之中全部参考节点已经加入，未知节点广播信号以前，设置为环境参数的自适应阶段。
对距离已知的参考节点进行测量，并校准信号衰减模型的所有参数[4]。
在选取的测距公式之中，在对A值进行测量时，要将参考节点设定为圆心，在半径为1米的圆周之上，有多个参考节点平均分布，随后对圆周之上全部参考节点的RSSI值进行测量，并进行平均值求取，具体参见如下公式（1）。
n为传播损耗系数，环境因素的影响很大，属于一种需重点修正的参数。
由于参考节点位置坐标已知，通过和附近的参考节点测距后，就会得到N个到附近参考节点的距离值，即可对N个传播损耗系数n进行计算，同时求取平均值。
另外，RSSI值在不同时间内也会有一定波动产生，在参数n进行计算以前，需要对不同时间段的RSSI值进行收集，以其平均值开展计算工作，具体参见式（2）：
使用整体以及局部环境参数的定位精度数据对比，如图3所示。
从图中可见，因为对整体区域进行子区域分割工作，在子区域中的环境参数根据实际进行了调整，在通信距离不断增加的同时，定位误差并未由此而增加，实现了对区域分割可提升定位精度这一结论的验证。
2.3 高斯滤波处理
结合研究数据得出，在某个位置之上同一节点获得的RSSI数值，其误差存在随机性，符合或近似符合正态分布，通过高斯模型的运用，对高概率区的RSSI数值进行选取，可使得大干扰、小概率事件对RSSI值测量的影响得以减少，也让定位变得更为准确。
对应的高斯密度分布函数见式（3）、（4）、（5）所示。
在发生概率相对较高的区域，即概率超过0.6（经验值）的范围进行选取，如式（6），过滤了因为干扰而导致的误差较大的RSSI测量值。
本方法的软件编程设计思路较为简单，也就是在未知节点将n组数据快速的发送给参考节点，由参考节点在相应数组Rssi—val[ ]内进行存储，再结合高斯模型来开展数据滤波处理工作。
系统的临界值为0.6，结合高斯密度分布函数公式，可对概率结果进行输出，然后在最终确认数组Rssi_val_gauss[ ]内存放。
在处理数据并进行存储操作之后，结合式（7）即可对几何均值进行求取[5]。
3 节点坐标计算方法的改进
3.1 采用最大似然估算法
研究证明，实际的信号传输损耗符合对数-正态分布阴影模型，参见式（8）：
Xσ是一个标准偏差为σ、平均值为0的正态随机变量。
设在dO处的信号强度为A，Xσ的平均值为0，通过简化后得到式（9）可知：
在分析测距模型之后可认识到，RSSI实际上是一个正态随机变量，其标准偏差为σ。
从矩阵相关理论分析，在符合正态分布的情况下，则最小二乘法和最大似然估算法具有相同的计算结果，均属于最小均方差时的最优解[6]，所以选用最大似然估算法，如图4所示.它需要三个或以上的参考节点来计算未知节点的坐标，通过对参考节点的RSSI均值的大小进行排序，选取最强的几个信号进行定位计算，让定位误差得到显著减小。
3.2 定位结果修正
通过定位计算得到的节点位置坐标，一般都和实际位置存在一定的误差，任意一次定位结果均带有随机性，但都是以实际位置为中心而产生的一些相应偏差。
为减少定位误差，可以通过多次测量和迭代的方法，对定位结果进行修正。
可以采用迭代去噪法参见式（10），主要结合第k+1的测量值以及第k次的估算值，对第k+1次估算值进行计算，不仅简单，且效果显著，实现起来较为容易[6]。
4 结语
RSSI的定位算法的无线定位系统，不论是功耗、还是硬件需求等方面都是最低的，而且传感器节点本身就具有无线信号收发能力，市场上多种常见的无线通信模块可以在不添加任何硬件的条件下测出RSSI值。
因此RSSI是一种容易实现、成本低、复杂度低的无线测距方法，其技术和市场已经相当的成熟，后期可以在实际使用环境的基础上，通过对RSSI定位算法的改进和参数优化，提高其定位精度和抗干扰能力。
参考文献
[1]张苍松.基于RSSI的室内定位算法优化技术[D].西北大学，2014.
[2]Abousetta M M，Cooper D C. Noise analysis of digitised FMCW radar
waveforms[C]//Radar， Sonar and Navigation， IEE Proceedings.IET，1998，145（4）：209-215.
[3]李冰.射频信号噪声消除与抑制研究[D].大连理工大学，2009.
[4]孟东阳，何秀凤，桑文刚.基于无线网络传感器的定位技术研究[J].电子测量技术，2012，（09）：10-15.
[5]黄勇，徐耀，曾刚，王波，黄林.基于无线传感器网络的室内停车场定位系统研究[J].湖北民族学院学报（自然科学版），2014，32（01）：102-105.
[6]郭金铭，邹刚伟，胡斌杰，曹国雄.基于ZigBee的无线传感器网络定位技术研究[J].移动通信，2013，（18）：74-79.。
