CN105430745A - 一种基于rssi无线网络定位方法 - Google Patents

Abstract

本发明涉及无线网络管理定位技术，其公开了一种基于RSSI无线网络定位方法，减小无线网络管理系统中基于RSSI无线网络定位算法的误差，得到STA的精确位置。该方法包括以下步骤：a.在某一平面的无线网络区域建立坐标系，确定所有AP的位置；b.计算无线信号衰减模型中的信号衰减指数λ值，获得优化后的无线信号衰减模型；c.筛选目标STA在不同AP的最优RSSI值，并结合优化后的无线信号衰减模型求解目标STA的位置。本发明适用于无线网络定位。

Description

一种基于RSSI无线网络定位方法

技术领域

本发明涉及无线网络管理定位技术，具体涉及一种基于RSSI无线网络定位方法。

背景技术

无线网络管理系统，作为迎客无线方案、医疗、教育WLAN方案的必要配套产品，无论从招投标，还是客户的实际使用上来说都具有极大的价值。从无线网络管理应用角度来看，用户最关注和市场最紧迫的功能有无线监控，无线资源管理，无线安全等。而精确的无线定位会使各功能更加有扩展性及商业机遇。

当前无线定位主要依赖于无线传感器网络。无线传感器网络(WirelessSensorNetwork,WSN)由部署在监测区域内大量的微型传感器节点组成，通过无线通信方式形成一个多跳的自组织网络系统，其目的是协作地感知、采集和处理网络覆盖区域中感知对象的信息。目前传感器信息获取技术已经从过去的单一化向集成化、微型化和网络化方向发展，传感器产品的应用越来越广泛。尤其在工业自动化控制领域，各种各样的无线传感器网络几乎无处不在，已经成为工业自动化系统中不可或缺的重要组成部分。在无线传感器网络中，节点的位置信息对无线传感器网络应用的监测活动至关重要，它是传感器节点监测消息中包含的重要信息，同时也是基于位置信息的路由算法的基础。因此，无线传感器网络的定位技术广泛应用于仪器仪表、工业控制、医疗、军事、航空、航天等领域。

目前无线传感器网络领域定位算法主要分两大类：基于测距(Range-based)的定位算法和无需测距(Range-free)的定位算法。基于测距的定位算法主要通过测量节点间的距离或角度信息，用三边测量、三角测量或最大似然估计定位法计算节点位置。常用的测距技术有RSSI，TOA(Timeofarrival)，TDOA(Timedifferenceofarrival)和AOA(Angleofarrival)；无需测距定位算法无需距离和角度信息，仅根据网络连通性等信息来实现节点定位。相比之下，基于距离的定位算法测量精确度较高，无需测距的定位算法对硬件要求较低。

信号强度会受到比如反射、多径传播、非视距、天线增益等问题的影响而产生传播损耗。因为理论和经验模型的估测性质，故而RSSI具有较大定位误差，如何提高于RSSI的定位精度是一个比较有意义的问题。

当前技术领域研究成果中，无线信号衰减模型的基本模型是：

${\mathrm{RSSI}}_d={\mathrm{RSSI}}_{d0}-10\mathrm{\λ}\lg \left(\frac{d}{d_0}\right)---\left(1\right)$

其中RSSI_d表示目标物体在距离APd处的信号强度，RSSI_d0表示参考物体在距离APd₀处的信号强度，λ是一个信号衰减指数，一般根据具体的环境情况而设定，属于经验值，一般取(2,5)之间。在已知目标物体的信号强度RSSI_d，可以得到目标结点离AP的距离d。

已知目标点T(x、y)到三个APA1(x1、y1)、A2(x2、y2)、A3(x3、y3)的距离分别为d1、d2、d3，如图3所示：

则下列方程组成立：

$\sqrt{{(x1-x)}^2+{(y1-y)}^2}=d1---\left(2\right)$

$\sqrt{{(x2-x)}^2+{(y2-y)}^2}=d2---\left(3\right)$

$\sqrt{{(x3-x)}^2+{(y3-y)}^2}=d3---\left(4\right)$

解该方程组(2)(3)(4)可得到目标点T的x、y坐标，此计算目标点T的方法为三边测量法。

《无线网络定位技术研究》主要针对RSSI定位算法的距离容易受影响而导致定位精度低的问题，提出了在RSSI定位算法的基础上，利用高斯滤波，选取合适范围内的RSSI值，对这些RSSI值进行几何平均，最终得到最优的RSSI值。通过高斯滤波过滤掉噪音数据的方式是可取的，但将通过过滤的数据只做几何平均的结果，有可能会产生误差。同时，该方案中没有明确说明信号衰减模型的参数λ如何确定，只是凭借经验来随机取值，这也会导致后面计算结果的偏差。

专利《基于RSSI校正的无线传感器网络质心定位算法》在RSSI定位算法的基础上，通过校正RSSI测距技术测量节点间点到点的距离，采用三角形质心算法进行定位，减小RSSI的测量误差。该算法在最后一步只根据三个节点坐标，利用质心算法，得到目标点的坐标，如果在三个节点相距较远的情况下，会产生较大的误差。当然专利中提到，该方案适用于野外，只需要知道节点的大概区域就可以满足需求，并不适合室内定位。同样，该方案也存在参数λ取值的问题。

为便于理解，下面对本发明中可能涉及的技术术语进行说明：

1、STA(Station)，即WLAN中的站；STA在WLAN中一般为客户端，可以是装有无线网卡的计算机，也可以是WiFi模块的智能手机。STA可以是移动的，也可以是固定的，是无线局域网的最基本组成单位元。

2、NMS(NetworkManagementSystem)，网络管理系统；NMS是移动通信网中的网络管理系统，它的管理对象可以包括网络中所有的实体，如：网络设备、应用程序、服务器系统、路由器、交换机、HUB、辅助设备等，给网络系统管理员提供一个全系统的网络视图。

3、AP(WirelessAccessPoint)，即无线访问接入点；AP相当于一个连接有线网和无一网的桥梁，其主要作用是将各个无线网络客户端连接到一起，然后将无线网络接入以太网。

4、AC(AccessController或AccessPiontController)，即无线控制器，是一种网络设备，负责管理某个区域内无线网络中的AP。

5、RSSI(ReceivedSignalStrengthIndication)，接收信号强度指示；通过接收到的信号强弱测定信号点与接收点的距离，进而根据相应数据进行定位计算的一种定位技术。

STA(如手机等无线终端)通过接收AP发射的无线信号而接入网络，所接收的信号强度单位为分贝(DB)，分贝值越大，信号越强，AP可以检测到其覆盖范围内所有STA的RSSI值，网管系统可以通过AC获取所有AP下所有STA的RSSI值。

发明内容

本发明所要解决的技术问题是：提出一种基于RSSI无线网络定位方法，减小无线网络管理系统中基于RSSI无线网络定位算法的误差，得到STA的精确位置。

本发明解决上述技术问题所采用的方案是，一种基于RSSI无线网络定位方法，该方法包括以下步骤：

a.在某一平面的无线网络区域建立坐标系，确定所有AP的位置；

b.计算无线信号衰减模型中的信号衰减指数λ值，获得优化后的无线信号衰减模型；

c.筛选目标STA在不同AP的最优RSSI值，并结合优化后的无线信号衰减模型求解目标STA的位置。

进一步的，步骤b具体包括：

b1.在无线网络区域中确定已知位置的两个STA和1个AP：

假设两个STA的坐标分别为STA1(x_a,y_a)，STA2(x_b,y_b)，AP的坐标为(x_r,y_r)；

b2.计算STA到AP之间的距离：

$d_a=\sqrt{{(x_a-x_r)}^2+{(y_a-y_r)}^2}$

$d_b=\sqrt{{(x_b-x_r)}^2+{(y_b-y_r)}^2}$

其中，d_a、d_b分别为STA1、STA2到AP的距离；

b3.在一段时间内，从AP中获取STA1、STA2的RSSI值集合：

{Ra₁,Ra₂…Ra_n}

{Rb₁,Rb₂…Rb_n}

b4.分别对STA1和STA2的RSSI值集合进行高斯过滤；

b5.分别对经过高斯过滤后的STA1和STA2的RSSI值集合进行聚类计算，获得对应的最优均值

b6.将d_a、d_b代入无线信号衰减模型的基本模型中计算信号衰减指数λ值，获得优化后的无线信号衰减模型。

进一步的，步骤b4中，对STA1的RSSI值集合进行高斯过滤的方法是：

首先，假设STA1的RSSI值集合中的RSSI值满足高斯分布，其高斯分布密度函数为：

$f\left(x\right)=\frac{1}{\mathrm{\δ}\sqrt{2\mathrm{\π}}}{e}^{-\frac{{(x-\mathrm{\μ})}^2}{2{\mathrm{\δ}}^2}}$

其中，μ是{Ra₁,Ra₂…Ra_n}的几何平均值，

δ是标准差， $\mathrm{\δ}=\sqrt{\frac{1}{n}\left(\underset{i=1}{\overset{n}{\Σ}}{\left({\mathrm{Ra}}_i-\mathrm{\μ}\right)}^2\right)};$

然后，选取范围在[0.15δ+u,3.09δ+u]范围内的RSSI值，得到STA1新的RSSI集合 $\{\stackrel{\‾}{{\mathrm{Ra}}_1},\stackrel{\‾}{{\mathrm{Ra}}_2}...\stackrel{\‾}{{\mathrm{Ra}}_m}\}.$

进一步的，步骤b4中，对STA2的RSSI值集合进行高斯过滤的方法是：

首先，假设STA2的RSSI值集合中的RSSI值满足高斯分布，其高斯分布密度函数为：

$f\left(x\right)=\frac{1}{\mathrm{\δ}\sqrt{2\mathrm{\π}}}{e}^{-\frac{{(x-\mathrm{\μ})}^2}{2{\mathrm{\δ}}^2}}$

其中，μ是{Rb₁,Rb₂…Rb_n}的几何平均值，

δ是标准差， $\mathrm{\δ}=\sqrt{\frac{1}{n}\left(\underset{i=1}{\overset{n}{\Σ}}{\left({\mathrm{Rb}}_i-\mathrm{\μ}\right)}^2\right)};$

然后，选取范围在[0.15δ+u,3.09δ+u]范围内的RSSI值，得到STA2新的RSSI集合 $\{\stackrel{\‾}{{\mathrm{Rb}}_1},\stackrel{\‾}{{\mathrm{Rb}}_2}...\stackrel{\‾}{{\mathrm{Rb}}_m}\}.$

进一步的，步骤b5中，对经过高斯过滤后的STA1的RSSI值集合进行聚类计算，获得对应的最优均值的方法是：

1)随机在集合中取k个种子点，作为初始聚类中心

2)计算集合到每一个聚类中心的距离，将集合中的RSSI值划分到距离聚类中心最近的类中去，形成新的聚类群；

3)重新计算每个聚类的均值聚类中心并进行均值估计，获得平均RSSI值；

4)采用均方差作为标准测度函数，不断重复2)、3)步，直至标准测度函数开始收敛；

5)对最新的聚类集合作几何平均，获得的最优平均值

进一步的，步骤b5中，对经过高斯过滤后的STA2的RSSI值集合进行聚类计算，获得对应的最优均值的方法是：

1)随机在集合中取k个种子点，作为初始聚类中心

2)计算集合到每一个聚类中心的距离，将集合中的RSSI值划分到距离聚类中心最近的类中去，形成新的聚类群；

3)重新计算每个聚类的均值聚类中心并进行均值估计，获得平均RSSI值；

4)采用均方差作为标准测度函数，不断重复2)、3)步，直至标准测度函数开始收敛；

5)对最新的聚类集合作几何平均，获得的最优平均值

进一步的，步骤b6中，所述无线信号衰减模型的基本模型为：

${\mathrm{RSSI}}_{d_a}={\mathrm{RSSI}}_{d_b}-10\mathrm{\λ}\lg \left(\frac{d_a}{d_b}\right)$

令再代入d_a、d_b的值，计算出信号衰减指数λ值，所述λ值即为当前无线环境下的信号衰减指数。

进一步的，步骤c具体包括：

c1.在一段时间内，获取n个AP上目标STA的RSSI值，将每一个AP的RSSI值作为一个集合D：

D1:{R1₁,R1₂…R1_m}

D2:{R2₁,R2₂…R2_m}…

Dn:{Rn₁,Rn₂…Rn_m}

c2.对每一个AP的RSSI集合D进行高斯过滤及聚类计算，得到每一个集合D的最优RSSI值，形成新的集合R{R1,R2…Rn}，其中Rn为集合Dn中的最优RSSI值；

c3.从集合R中获取最大的五个RSSI值，其对应五个AP的坐标值；基于优化后的无线信号衰减模型获得目标STA与对应AP之间的距离d₁，d₂，d₃，d₄，d₅；

c4.从五个AP中每次选取三个节点，结合此三个节点的坐标数据以及分别与目标STA对应的距离，利用三边测量法计算获得目标STA的坐标集合；

c5.对所述目标STA的坐标集合求平均值获得目标STA的最终位置。

进一步的，步骤c4具体包括：

假设五个AP的坐标值分别为(x_r1,y_r1)、(x_r2,y_r2)、(x_r3,y_r3)、(x_r4,y_r4)、(x_r5,y_r5)；

若选取的三个节点坐标值分别为(x_r1,y_r1)、(x_r2,y_r2)、(x_r3,y_r3)，此三个节点与目标STA的距离分别为d₁，d₂，d₃，根据下列公式获得目标STA的第一组坐标值T(x₁,y₁)：

(x_r1-x₁)²+(y_r1-y₁)²＝d₁ ²

(x_r2-x₁)²+(y_r2-y₁)²＝d₂ ²

(x_r3-x₁)²+(y_r3-y₁)²＝d₃ ²

若选取的三个节点坐标值分别为(x_r1,y_r1)、(x_r2,y_r2)、(x_r4,y_r4)，此三个节点与目标STA的距离分别为d₁，d₂，d₄，根据下列公式获得目标STA的第二组坐标值T(x₂,y₂)：

(x_r1-x₂)²+(y_r1-y₂)²＝d₁ ²

(x_r2-x₂)²+(y_r2-y₂)²＝d₂ ²

(x_r4-x₂)²+(y_r4-y₂)²＝d₄ ²

...

若选取的三个节点坐标值分别为(x_r3,y_r3)、(x_r4,y_r4)、(x_r5,y_r5)，此三个节点与目标STA的距离分别为d₃，d₄，d₅，根据下列公式获得目标STA的第十组坐标值T(x₁₀,y₁₀)：

(x_r3-x₁₀)²+(y_r3-y₁₀)²＝d₃ ²

(x_r4-x₁₀)²+(y_r4-y₁₀)²＝d₄ ²

(x_r5-x₁₀)²+(y_r5-y₁₀)²＝d₅ ²

由此计算获得目标STA的坐标集合{T(x₁,y₁)，T(x₂,y₂)，...,T(x₁₀,y₁₀)}。

进一步的，步骤c5中对所述目标STA的坐标集合求平均值获得目标STA的最终位置的方法是：

为加权因子，其值为每次选取的三个AP节点与目标STA对应的距离之和的倒数。

本发明的有益效果是：对信号衰减模型的精确确定，可以对后期估算目标点的距离更有利；对大量的数据进行高斯过滤，可以对噪声数据进行过滤，对剩余的数据进行分析将更有说服力；对数据进行聚类操作，会更精确地获得平均值；加权质心算法在也是利用大量数据的特点，来精确定位；因而，本发明的方案会更好地减小基于RSSI无线网络定位算法的误差，得到更精确的定位结果，使得网络管理系统准确调度服务推送信息，提高系统的有效性。

附图说明

图1为无线传感器网络环境示意图；

图2为无线网络管理系统用例示意图；

图3为三边测量法定位示意图；

图4为计算获得精确衰减模型流程图；

图5为获取目标精确坐标值流程图。

具体实施方式

本发明中的定位方法应用于无线传感器网络环境中，如图1所示，STA通过无线网络接入AP，AC对某个区域内的AP进行管理，NMS(网络管理系统)对AC进行综合控制管理；网络管理系统控制管理用例如图2所示，网管人员可以进行无线资源管理，无线监控。其中无线资源管理包括AP管理，AC管理，活动客户端管理；无线监控包括实时资源变化监控，无线资产查看，活动客户端轨迹，资源定位。

本发明中的基于RSSI无线网络定位方法包括以下步骤：

a.在某一平面的无线网络区域建立坐标系，确定所有AP的位置；

b.计算无线信号衰减模型中的信号衰减指数λ值，获得优化后的无线信号衰减模型；

c.筛选目标STA在不同AP的最优RSSI值，并结合优化后的无线信号衰减模型求解目标STA的位置。

实施例：

以对某一大楼中的STA进行无线定位为例，其包括以下实现步骤：

一、在大楼某一楼层的平面建立无线区域的坐标系，确定所有AP的位置；在网络管理系统中建立缩略图，根据比例标识出楼层的所有AP位置。

二、精确计算衰减模型中的λ值，获得精确衰减模型，其计算流程如图4所示：

无线信号衰减模型的基本模型是：

${\mathrm{RSSI}}_{d_a}={\mathrm{RSSI}}_{d_b}-10\mathrm{\λ}\lg \left(\frac{d_a}{d_b}\right)---\left(5\right)$

在室内环境中，确定两个STA坐标点STA1(x_a,y_a)，STA2(x_b,y_b)，选择一个AP的位置(x_r,y_r)，可以得到STA1、STA2与AP的距离：

$d_a=\sqrt{{(x_a-x_r)}^2+{(y_a-y_r)}^2}---\left(6\right)$

$d_b=\sqrt{{(x_b-x_r)}^2+{(y_b-y_r)}^2}---\left(7\right)$

在一段时间内，从AP中获取STA1，及STA2的RSSI值集合：

{Ra₁,Ra₂…Ra_n}(8)

{Rb₁,Rb₂…Rb_n}(9)

对于集合{Ra₁,Ra₂…Ra_n}，由于n个RSSI值是随机离散的变量，这些值服从或近似服从高斯分布(正态分布)，选取那些高概率，即分布密度比较大的区域(一般经验值在大于等于0.6的区域)，测量结果关于x的密度函数f(x)如式(10)所示：

$f\left(x\right)=\frac{1}{\mathrm{\δ}\sqrt{2\mathrm{\π}}}{e}^{-\frac{{(x-\mathrm{\μ})}^2}{2{\mathrm{\δ}}^2}}---\left(10\right)$

其中，μ是{Ra₁,Ra₂…Ra_n}的几何平均值，δ是标准差，具体表达式如下：

$\mathrm{\μ}=\underset{i=1}{\overset{n}{\Σ}}{\mathrm{Ra}}_i---\left(11\right)$

$\mathrm{\δ}=\sqrt{\frac{1}{n}\left(\underset{i=1}{\overset{n}{\Σ}}{\left({\mathrm{Ra}}_i-\mathrm{\μ}\right)}^2\right)}---\left(12\right)$

经过高斯滤波后，选取范围在[0.15δ+u,3.09δ+u]范围内的RSSI值，得到STA1新的RSSI集合做聚类计算最优RSSI值，聚类计算步骤为以下步骤1)-5)：

1)随机在集合中取k个种子点(k值可任意取整数值)，作为初始聚类中心

2)计算集合到每一个聚类中心的距离，将集合中的RSSI值划分到距离聚类中心最近的类中去，形成新的聚类群。

3)重新计算每个聚类的均值聚类中心，并进行均值估计，获得平均的RSSI值。

4)不断重复2)、3)步，直到标准测度函数开始收敛为止。这里我们采用均方差作为标准测度函数。

5)对最新的聚类集合作几何平均，获得的最优平均值

对于集合{Rb₁,Rb₂…Rb_n}，我们可以利用相同的方法，获得最优平均值

根据式(5)，令再代入d_a、d_b的值，可以得到精确的λ值。λ值确定即当前环境的无线信号衰减模型是确定的。

三、筛选目标STA在不同AP的最优RSSI值，并结合优化后的无线信号衰减模型求解目标STA的位置，其计算流程如图5所示：

在一段时间内，获取n(n值可依环境而定，任意取整数值)个AP上目标点T的RSSI值，每一个AP的RSSI值作为一个集合D。

D1:{R1₁,R1₂…R1_m}(13)

D2:{R2₁,R2₂…R2_m}(14)

…

Dn:{Rn₁,Rn₂…Rn_m}(15)

对每一个AP的RSSI集合D进行高斯过滤及聚类操作(具体操作方法与步骤二中的高斯过滤及聚类操作相同)，得到每一个集合D的最优RSSI值，形成新的集合R{R1,R2…Rn}其中Rn为集合Dn中的最优RSSI值。

从集合R中获取最大的五个RSSI值，由无线信号衰减模型，可获得相对应的距离d₁，d₂，d₃，d₄，d₅。由于最大五个RSSI对应的AP的坐标已知，我们设为(x_r1,y_r1)、(x_r2,y_r2)、(x_r3,y_r3)、(x_r4,y_r4)、(x_r5,y_r5)，同时，我们设未知目标点坐标为T(x,y)。我们每次取三组AP坐标数据及对应的距离d，总共有10个组合坐标，分别与坐标点T进行三角质心算法，比如：第一次取三组AP坐标数据(x_r1,y_r1)、(x_r2,y_r2)、(x_r3,y_r3)及三个AP对应的距离d₁，d₂，d₃；

(x_r1-x)²+(y_r1-y)²＝d₁ ²(16)

(x_r2-x)²+(y_r2-y)²＝d₂ ²(17)

(x_r3-x)²+(y_r3-y)²＝d₃ ²(18)

根据公式(16)、(17)、(18)，可以算出T点的一组坐标T(x₁,y₁)；同理可以得到另外9组目标点坐标T(x₂,y₂)，T(x₃,y₃)，…，T(x₁₀,y₁₀)；

从而形成目标T点的10组坐标集合{T(x₁,y₁)，T(x₂,y₂)，...,T(x₁₀,y₁₀)}

接着，将通过对10组坐标求平均值来求得未知节点T的坐标，在求取最终坐标时引入了加权因子，该加权因子是每次选取的三个节点与未知节点T之间距离之和的倒数，如下式所示：

T(x₁,y₁)的加权因子为： ${\mathrm{\φ}}_1=\frac{1}{d_1+d_2+d_3}---\left(19\right)$

T(x₂,y₂)的加权因子为： ${\mathrm{\φ}}_2=\frac{1}{d_1+d_2+d_4}---\left(20\right)$

…

T(x₁₀,y₁₀)的加权因子为： ${\mathrm{\φ}}_{10}=\frac{1}{d_3+d_4+d_5}---\left(21\right)$

最终得到的未知节点的坐标信息为T(x，y)为，如下式(22)所示：

在网络管理系统的监控平面图中，根据网络管理系统中缩略图与实际的比例，标识出具体的未知节点T的位置，一段时间内，就会描绘出具体的运动轨迹。网络管理员可以在监控系统中查看某一楼层的所有终端分布图，也可以查看某一终端的运动轨迹，并且根据STA的当前位置，选出离它最近的AP，查看终端的信息，推送感兴趣的信息，如通知、宣传信息、广告等信息，提供商业经济平台。

Claims (10)

1.一种基于RSSI无线网络定位方法，其特征在于，包括以下步骤：

a.在某一平面的无线网络区域建立坐标系，确定所有AP的位置；

b.计算无线信号衰减模型中的信号衰减指数λ值，获得优化后的无线信号衰减模型；

c.筛选目标STA在不同AP的最优RSSI值，并结合优化后的无线信号衰减模型求解目标STA的位置。

2.如权利要求1所述的一种基于RSSI无线网络定位方法，其特征在于，

步骤b具体包括：

b1.在无线网络区域中确定已知位置的两个STA和1个AP：

假设两个STA的坐标分别为STA1(x_a,y_a)，STA2(x_b,y_b)，AP的坐标为(x_r,y_r)；

b2.计算STA到AP之间的距离：

$d_a=\sqrt{{(x_a-x_r)}^2+{(y_a-y_r)}^2}$

$d_b=\sqrt{{(x_b-x_r)}^2+{(y_b-y_r)}^2}$

其中，d_a、d_b分别为STA1、STA2到AP的距离；

b3.在一段时间内，从AP中获取STA1、STA2的RSSI值集合：

{Ra₁,Ra₂…Ra_n}

{Rb₁,Rb₂…Rb_n}

b4.分别对STA1和STA2的RSSI值集合进行高斯过滤；

b5.分别对经过高斯过滤后的STA1和STA2的RSSI值集合进行聚类计算，获得对应的最优均值

b6.将d_a、d_b代入无线信号衰减模型的基本模型中计算信号衰减指数λ值，获得优化后的无线信号衰减模型。

3.如权利要求2所述的一种基于RSSI无线网络定位方法，其特征在于，步骤b4中，对STA1的RSSI值集合进行高斯过滤的方法是：

首先，假设STA1的RSSI值集合中的RSSI值满足高斯分布，其高斯分布密度函数为：

$f\left(x\right)=\frac{1}{\mathrm{\δ}\sqrt{2\mathrm{\π}}}{e}^{-\frac{{(x-\mathrm{\μ})}^2}{2{\mathrm{\δ}}^2}}$

其中，μ是{Ra₁,Ra₂…Ra_n}的几何平均值，

δ是标准差， $\mathrm{\δ}=\sqrt{\frac{1}{n}\left({\underset{i=1}{\overset{n}{\Σ}}\left({\mathrm{Rb}}_i-\mathrm{\μ}\right)}^2\right)};$

然后，选取范围在[0.15δ+u,3.09δ+u]范围内的RSSI值，得到STA1新的RSSI集合

$\{\stackrel{\‾}{{\mathrm{Ra}}_1},\stackrel{\‾}{{\mathrm{Ra}}_2}...\stackrel{\‾}{{\mathrm{Ra}}_m}\}.$

4.如权利要求2所述的一种基于RSSI无线网络定位方法，其特征在于，步骤b4中，对STA2的RSSI值集合进行高斯过滤的方法是：

首先，假设STA2的RSSI值集合中的RSSI值满足高斯分布，其高斯分布密度函数为：

$f\left(x\right)=\frac{1}{\mathrm{\δ}\sqrt{2\mathrm{\π}}}{e}^{-\frac{{(x-\mathrm{\μ})}^2}{2{\mathrm{\δ}}^2}}$

其中，μ是{Rb₁,Rb₂…Rb_n}的几何平均值，

δ是标准差， $\mathrm{\δ}=\sqrt{\frac{1}{n}\left({\underset{i=1}{\overset{n}{\Σ}}\left({\mathrm{Rb}}_i-\mathrm{\μ}\right)}^2\right)};$

然后，选取范围在[0.15δ+u,3.09δ+u]范围内的RSSI值，得到STA2新的RSSI集合

$\{\stackrel{\‾}{{\mathrm{Rb}}_1},\stackrel{\‾}{{\mathrm{Rb}}_2}...\stackrel{\‾}{{\mathrm{Rb}}_m}\}.$

5.如权利要求2所述的一种基于RSSI无线网络定位方法，其特征在于，步骤b5中，对经过高斯过滤后的STA1的RSSI值集合进行聚类计算，获得对应的最优均值的方法是：

1)随机在集合中取k个种子点，作为初始聚类中心

2)计算集合到每一个聚类中心的距离，将集合中的RSSI值划分到距离聚类中心最近的类中去，形成新的聚类群；

3)重新计算每个聚类的均值聚类中心并进行均值估计，获得平均RSSI值；

4)采用均方差作为标准测度函数，不断重复2)、3)步，直至标准测度函数开始收敛；

5)对最新的聚类集合作几何平均，获得的最优平均值

6.如权利要求2所述的一种基于RSSI无线网络定位方法，其特征在于，步骤b5中，对经过高斯过滤后的STA2的RSSI值集合进行聚类计算，获得对应的最优均值的方法是：

1)随机在集合中取k个种子点，作为初始聚类中心

2)计算集合到每一个聚类中心的距离，将集合中的RSSI值划分到距离聚类中心最近的类中去，形成新的聚类群；

3)重新计算每个聚类的均值聚类中心并进行均值估计，获得平均RSSI值；

4)采用均方差作为标准测度函数，不断重复2)、3)步，直至标准测度函数开始收敛；

5)对最新的聚类集合作几何平均，获得的最优平均值

7.如权利要求2所述的一种基于RSSI无线网络定位方法，其特征在于，步骤b6中，所述无线信号衰减模型的基本模型为：

${\mathrm{RSSI}}_{d_a}={\mathrm{RSSI}}_{d_b}-10\mathrm{\λ}\lg \left(\frac{d_a}{d_b}\right)$

令再代入d_a、d_b的值，计算出信号衰减指数λ值，所述λ值即为当前无线环境下的信号衰减指数。

8.如权利要求1所述的一种基于RSSI无线网络定位方法，其特征在于，

步骤c具体包括：

c1.在一段时间内，获取n个AP上目标STA的RSSI值，将每一个AP的RSSI值作为一个集合D：

D1:{R1₁,R1₂…R1_m}

D2:{R2₁,R2₂…R2_m}…

Dn:{Rn₁,Rn₂…Rn_m}

c2.对每一个AP的RSSI集合D进行高斯过滤及聚类计算，得到每一个集合D的最优RSSI值，形成新的集合R{R1,R2…Rn}，其中Rn为集合Dn中的最优RSSI值；

c3.从集合R中获取最大的五个RSSI值，其对应五个AP的坐标值；基于优化后的无线信号衰减模型获得目标STA与对应AP之间的距离d₁，d₂，d₃，d₄，d₅；

c4.从五个AP中每次选取三个节点，结合此三个节点的坐标数据以及分别与目标STA对应的距离，利用三边测量法计算获得目标STA的坐标集合；

c5.对所述目标STA的坐标集合求平均值获得目标STA的最终位置。

9.如权利要求8所述的一种基于RSSI无线网络定位方法，其特征在于，

步骤c4具体包括：

假设五个AP的坐标值分别为(x_r1,y_r1)、(x_r2,y_r2)、(x_r3,y_r3)、(x_r4,y_r4)、(x_r5,y_r5)；

若选取的三个节点坐标值分别为(x_r1,y_r1)、(x_r2,y_r2)、(x_r3,y_r3)，此三个节点与目标STA的距离分别为d₁，d₂，d₃，根据下列公式获得目标STA的第一组坐标值T(x₁,y₁)：

(x_r1-x₁)²+(y_r1-y₁)²＝d₁ ²

(x_r2-x₁)²+(y_r2-y₁)²＝d₂ ²

(x_r3-x₁)²+(y_r3-y₁)²＝d₃ ²

若选取的三个节点坐标值分别为(x_r1,y_r1)、(x_r2,y_r2)、(x_r4,y_r4)，此三个节点与目标STA的距离分别为d₁，d₂，d₄，根据下列公式获得目标STA的第二组坐标值T(x₂,y₂)：

(x_r1-x₂)²+(y_r1-y₂)²＝d₁ ²

(x_r2-x₂)²+(y_r2-y₂)²＝d₂ ²

(x_r4-x₂)²+(y_r4-y₂)²＝d₄ ²

...

若选取的三个节点坐标值分别为(x_r3,y_r3)、(x_r4,y_r4)、(x_r5,y_r5)，此三个节点与目标STA的距离分别为d₃，d₄，d₅，根据下列公式获得目标STA的第十组坐标值T(x₁₀,y₁₀)：

(x_r3-x₁₀)²+(y_r3-y₁₀)²＝d₃ ²

(x_r4-x₁₀)²+(y_r4-y₁₀)²＝d₄ ²

(x_r5-x₁₀)²+(y_r5-y₁₀)²＝d₅ ²

由此计算获得目标STA的坐标集合{T(x₁,y₁)，T(x₂,y₂)，...,T(x₁₀,y₁₀)}。

10.如权利要求9所述的一种基于RSSI无线网络定位方法，其特征在于，步骤c5中对所述目标STA的坐标集合求平均值获得目标STA的最终位置的方法是：

为加权因子，其值为每次选取的三个AP节点与目标STA对应的距离之和的倒数。