CN105813020A - 一种自适应环境的rssi校正的无线传感器网络定位算法 - Google Patents

Abstract

本发明公开了一种自适应环境的RSSI校正的无线传感器网络定位算法，利用置信区间思想构造了离线指纹库，实现了小样本测量值估计总体真实值的目的。采用K‑NNSS算法在提升精度过程中，其K值大小需要在算法精度以及计算复杂度之间进行权衡。除此指纹定位之外，有针对性地使用了高斯模型过滤采集到的RSSI值，并结合未知节点与信标以及信标与信标间距离的关系，校正未知节点与信标的距离，提高了位置求解的极大似然解的正确性，并利用校正的未知节点与信标的距离关系构造后续质心定位加权系数，从而体现了各个信标对未知节点的定位影响来提升算法的精度。

Description

一种自适应环境的RSSI校正的无线传感器网络定位算法

技术领域

本发明涉及一种无线传感器网络定位算法，具体是一种自适应环境的RSSI校正的无线传感器网络定位算法。

背景技术

无线传感器网络由于具有成本低廉、部署简单、无需现场维护等特点，目前广泛应用于环境监测、科学研究、军事应用等领域。无线传感器网络的诸多应用都与节点的位置信息相关，如井下人员定位系统、公路交通管理系统等等，缺乏了位置信息这些应用便毫无意义。

目前基于RSSI测距时，其强度指示严重依赖于信号传输损耗指数上，但由于该指数一般都是选取固定的经验值，无法反映出实际环境对无线信号的影响，即使后续再对RSSI值进行相应的优化，对于精度的提高仍然是有限的，因此计算出实际环境下的路径损耗指数，将会大大提高RSSI定位方法的精度。其次，多数算法对于在固定点采集到的多个RSSI值，直接进行求取平均值减少RSSI值的偏差，无法避免对小概率时间、大干扰事件的RSSI值的筛选，同时也不能正确反映此位置RSSI真值的可能范围；最后，基于RSSI测量未知节点与信标节点的距离过程中，未将信标节点位置、间距以及信号强度考虑进去，无法有效地减弱环境因素对距离计算的影响。

发明内容

本发明的目的是提供一种自适应环境的RSSI校正的无线传感器网络定位算法，以解决目前定位算法中RSSI严重依赖由经验值所设定的信号传输损耗指数，无法反应实际环境对无线信号影响的问题以及RSSI值存在偏差的问题。

为了达到上述目的，本发明所采用的技术方案为：

一种自适应环境的RSSI校正的无线传感器网络定位算法，其特征在于：首先进行环境感知，获取相应的路径损耗衰减系数n，并计算采样点与信标对应的置信区间，构建指纹离线数据库，当定位节点如果能够采集到满足置信约束的K组RSSI，优先采用K邻居定位算法找到最为接近的K个邻居后，通过质心算法求解其位置；否则的话，先利用高斯分布函数过滤RSSI值，再结合基于信标间距校正模型对RSSI再次校正，然后采用最小二乘法求解未知节点的极大似然解，并利用经RSSI校正的加权系数的质心算法定位该未知节点位置，同时也反映了信标节点对待定位节点的影响力。

所述的一种自适应环境的RSSI校正的无线传感器网络定位算法，其特征在于：进行环境感知，获取相应的路径损耗衰减系数n的具体方法为：根据两个节点接收信号RSSI值，利用节点接收无线信号的功率与RSSI值的线性关系计算路径损耗衰减系数n。

所述的一种自适应环境的RSSI校正的无线传感器网络定位算法，其特征在于：计算采样点与信标对应的置信区间，构建指纹离线数据库的具体方法为：首先布置采样节点，然后建立离线数据库，数据库中记录的内容由采样点坐标和N个信标节点的RSSI值组成，计算该采样点对应信标的RSSI可信区间，对于满足要求的点录入指纹离线数据库。

所述的一种自适应环境的RSSI校正的无线传感器网络定位算法，其特征在于：当定位节点如果能够采集到满足置信约束的K组RSSI，优先采用K-NNSS找到最为接近的K个邻居后，通过质心算法求解其位置的具体方法为：采用K-NNSS算法计算未知节点与离线数据库中节点的欧拉距离，选取K个欧拉距离最小的值对应的离线数据库中样本位置坐标，直接利用质心算法求得待定位节点坐标。

所述的一种自适应环境的RSSI校正的无线传感器网络定位算法，其特征在于：利用高斯分布函数过滤RSSI值，再结合基于信标间距校正模型对RSSI再次校正，然后采用最小二乘法求解未知节点的极大似然解，并利用经RSSI校正的加权系数的质心算法定位该未知节点位置的具体方法为：采用高斯分布函数对未知节点采集到的信标节点的RSSI值进行过滤；然后，求得m个未知节点与信标节点的距离值d₁,d₂,...,d_m和加权因子W₁,...,W_n，对d₁,d₂,...,d_m任取m-1个值进行排列组合，得到{(d₂,d₃,…,d_m),(d₁,d₃,…,d_m),…,(d₁,d₂,…,d_m-1)}，并对(d₂,d₃,…,d_m)利用坐标与距离之间的求解公式列方程组，通过极大似然法求解该方程组；最后，通过信标节点间距离和RSSI计算待定位节点坐标。

本发明自适应环境的RSSI校正的无线传感器网络定位算法包括以下步骤：

1.布置采样节点，建立离线数据库，数据库中的记录形式为(SPx_i,SPy_i,<RSSI_i1,RSSI_i2,...,RSSI_in＞)，(SPx_i,SPy_i)为采样点i的坐标，RSSI_i1,...,RSSI_in,到N个信标节点的RSSI值(对于距离太远的节点，RSSI值记为0)。通常，为了提高精度，通常在数据库中记录同一待采样位置的w组测量值，记为 计算每个采样节点SP_i对应信标节点j的w组数据(RSSI_ij ⁽¹⁾,RSSI_ij ⁽²⁾,...,RSSI_ij ^(N))，计算获取该采样点对应信标B_j的RSSI可信区间对于满足置信区间要求的点坐标和RSSI平均值记录入指纹离线数据库。

2.信标节点以等大的功率，周期间歇性地发送自身信息：节点ID、坐标B_j(x_j,y_j)位置信息，以及当前信标节点的信号衰减系数n。

3.待定位节点M接收信标节点的信息，形成多组<RSSI_m1,RSSI_m2,...,RSSI_in＞，利用步骤1进行置信判断后，筛选出K组集合进行后续计算。如果利用步骤1置信判断不能获取出至少K组数据用于后续计算，要么继续采集<RSSI_m1,RSSI_m2,...,RSSI_in＞，直到能筛选出筛选出K组后续判断，要么就转到步骤5进行后续计算；否则，继续后面的步骤4。

4.采用K-NNSS方法(其中K值通过实验确定)，计算未知节点与离线数据库中节点的欧拉距离(ED，Euclidean Distance)。计算方法为：

${\mathrm{Ed}}_i=\sqrt{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{({\mathrm{RSSI}}_i-\stackrel{\&OverBar;}{{\mathrm{RSSI}}_{ij}})}^2}$

其中是采样点SP_i采集到信标节点B_j存入RSSI位置指纹数据库中的RSSI平均值。选取K个Ed_i最小的值对应的离线数据库中样本位置坐标，直接利用质心算法求得待定位节点的坐标，则利用离线指纹定位完成。

5.利用高斯分布函数，对未知节点采集到的信标节点的RSSI值进行过滤，最终得到进RSSI₁,RSSI₂,…,RSSI_m，对应的信标节点坐标为B_i(x_i,y_i)(i＝1,2,…,n)。结合信标节点间的距离、式5.22、式5.23，求得未知节点与信标节点的m个距离值d₁,d₂,...,d_m，以及后续步骤的加权因子W₁,...,W_n。对d₁,d₂,...,d_m任意取m-1个值进行排列组合，可以得到{(d₂,d₃,…,d_m),(d₁,d₃,…,d_m),…,(d₁,d₂,…,d_m-1)}，对(d₂,d₃,…,d_m)利用坐标与距离之间的求解公式，可列方程组：

$\left\{\begin{array}{c}{(x_2-x_0)}^2+{(y_2-y_0)}^2={d_2}^2\\ {(x_3-x_0)}^2+{(y_3-y_0)}^2={d_3}^2\\ M\\ {(x_m-x_0)}^2+{(y_m-y_0)}^2={d_m}^2\end{array}\right.$

对方程组进行化简，得到：

$\left\{\begin{array}{c}2(x_2-x_m)x_0+2(y_2-y_m)y_0={x_2}^2-{x_m}^2+{y_2}^2-{y_m}^2+{d_m}^2-{d_2}^2\\ 2(x_3-x_m)x_0+2(y_3-y_m)y_0={x_3}^2-{x_m}^2+{y_3}^2-{y_m}^2+{d_m}^2-{d_3}^2\\ ...\\ 2(x_{m-1}-x_m)x_0+2(y_{m-1}-y_m)y_0={x_{m-1}}^2-{x_m}^2+{y_{m-1}}^2-{y_m}^2+{d_m}^2-{d_{m-1}}^2\end{array}\right.$

令

方程组可改写为Ax＝b矩阵A是(m-2)行2列的，一般情况下有(m-2)>2，进一步可得到方程组5.27极大似然解为：

x₁＝(A^TA)^-1A^Tb

类似的可以求出{(d₁,d₃,…,d_m),…,(d₁,d₂,…,d_m-1)}对应的极大似然解为{X₂,X₃,…,X_m}。其中X_i＝(X_0i,Y_0i)，i＝1,2,…,m。

6.求精阶段，求解待定位节点坐标的加权质心公式为：

$(x_0,y_0)=(\frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{W}_i{X}_{0i}}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{W}_i},\frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{W}_i{Y}_{0i}}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{W}_i})$

本发明解决了目前RSSI严重依赖由经验值所设定的信号传输损耗指数、无法反应实际环境对无线信号影响的问题，以及RSSI值存在偏差的问题，提高了RSSI测距的精度。

附图说明

图1为待定位节点所在环境衰落指数的计算原理。

图2为正态分布区间示意图。

具体实施方式

参见图1。实际中，节点测量的是RSSI值而不是功率。现在的无线收发芯片大多具有测量RSSI的功能。如由TI公司推出的CC2430/2431是一款符合IEEE802.15.4标准的射频收发器，根据其模块接收无线信号的功率与RSSI值关系曲线图，可以发现，RSSI值与无线信号的接收功率成较严格的线性关系，可以认为RSSI真实反映了接收无线信号的功率。

假设参考节点A₃收到附近另外两个参考节点通，A₁,A₂的RSSI值，根据RSSI值公式有：

$\left\{\begin{array}{c}{\mathrm{RSSI}}_{13}=-(10n\log d_{13}+A)\\ {\mathrm{RSSI}}_{23}=-(10n\log d_{23}+A)\end{array}\right.---\left(1\right)$

式(1)中，RSSI₁₃,RSSI₂₃分别是A₃和A₁,A₂间的RSSI值：d₁₃,d₂₃分别为A₃到A₁,A₂间的实际距离，A为经过lm传输后的路径损耗值，n为路径损耗衰落指数，反映的是环境因素对无线电能量消耗的影响。

两式相减可得：

${\mathrm{RSSI}}_{23}-{\mathrm{RSSI}}_{13}=10n\lg \frac{d_{13}}{d_{23}}---\left(2\right)$

在计算n值时，仅由RSSI₂₃,RSSI₁₃,d₁₃,d₂₃决定，与A值没有关系。在路径损耗衰落指数获取过程中，由于参考节点间距离已知，通过参考节点间的相互通信得到RSSI，再代入式5.17，即可得到与实际环境相对应的路径损耗指数n值，然后用得到的n值对未知位置节点进行测距定位。该方法既实时计算了当前定位区域下的路径损耗指数，又能弱化了信号衰减模型式5.3中X_σ的作用，因此能够感知不同区域对信号衰落的影响，增强了RSSI测距算法对环境的适应能力，能提高定位精度。

$n=\frac{{\mathrm{RSSI}}_{23}-{\mathrm{RSSI}}_{24}}{10\lg \frac{d_{24}}{d_{23}}}---\left(3\right)$

高斯模型。利用高斯模型对RSSI进行处理依据待定位节点在同时收到的n个RSSI值，对受到影响较大的RSSI出现的概率一般属于小概率事件，因为每个RSSI近似服从正态分布，所以，采用高斯模型选择发生在概率比较高的RSSI值，然后再对取得的RSSI值取平均值。这样就可以降低小概率、大干扰事件对RSSI测量的影响，增强RSSI值的准确性，从而提高定位精度。

对于待定位节点收到的不同信标节点的RSSI值，将它们分别记录到对应的信标节点编号的RSSI值数组RSSI_i[]中，然后利用高斯分布函数对每一个RSSI数组进行处理：

$f\left(x\right)=\frac{1}{\sqrt{2\mathrm{\&pi;}}{\mathrm{\&sigma;}}_i}{e}^{-\frac{(x-\stackrel{\&OverBar;}{{\mathrm{RSSI}}_i})}{2{{\mathrm{\&sigma;}}_i}^2}}---\left(4\right)$

$\stackrel{\&OverBar;}{{\mathrm{RSSI}}_i}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{RSSI}}_{ij}---\left(5\right)$

${{\mathrm{\&sigma;}}_i}^2=\frac{1}{n-1}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{(X_i-\stackrel{\&OverBar;}{{\mathrm{RSSI}}_i})}^2---\left(6\right)$

$\mathrm{\&eta;}\&le;{\&Integral;}_{RSSI}^{+\mathrm{\&infin;}}\frac{1}{\sqrt{2\mathrm{\&pi;}}{\mathrm{\&sigma;}}_i}{e}^{-\frac{(x-\stackrel{\&OverBar;}{{\mathrm{RSSI}}_i})}{2{{\mathrm{\&sigma;}}_i}^2}}dx\&le;1---\left(7\right)$

对于式(7)，选择概率为η为最低临界值，即当概率小于η时，则认为相应的RSSI值发生在小概率时候，舍弃这一概率范围内的RSSI值；当概率大于等于η时，则认为相应的RSSI值发生在概率高的时候对这一范围内的RSSI值求取平均值，作为待定位节点收到对应信标节点的RSSI值。工程上一般取值η＝0.6，则结合式(4)，可以计算得出：

$0.15\mathrm{\&sigma;}+\stackrel{\&OverBar;}{{\mathrm{RSSI}}_i}\&le;x\&le;3.09\mathrm{\&sigma;}+\stackrel{\&OverBar;}{{\mathrm{RSSI}}_i}---\left(8\right)$

即经过高斯滤波后，RSSI范围是：高斯模型可以有效的解决RSSI在测量过程中受到的干扰、稳定性不好等情况。但是高斯模型只能够去除小概率段时间的干扰，而对于由于反射等较长时间的干扰高斯模型效果将会下降。

参见图2。待定位节点的采集到的RSSI值，是否合理可信，取决于2个方面，总体指标值介于某一可能范围内的概率，二则是这一可能范围的大小。前者可采用高斯模型进行过滤，后者则是典型的区间估计。

区间估计就是以一定的概率保证估计包含总体参数的一个值域，即根据采集到的样本指标与抽样平均误差来估计总体指标的可能范围，一方面表明估计结果相对于精确值的准确程度，另一方面也说明了此估计结果相对于其他估计值的可靠程度。因此，采用区间估计法所得到的估计结果，具有相对较高的科学性和可靠性。

假设X₁,X₂,...,X_n是总体X的一个样本，θ∈Θ(Θ为参数空间)为总体分布所包含的未知参数，若对于给定的α(0<α<1)，存在两个统计量

${\widehat{\mathrm{\&theta;}}}_1=T_1(X_1,X_2,\mathrm{...},X_n),{\widehat{\mathrm{\&theta;}}}_2=T_2(X_1,X_2,\mathrm{...},X_n),$

对所有的θ∈Θ满足

$P({\widehat{\mathrm{\&theta;}}}_1<\mathrm{\&theta;}<{\widehat{\mathrm{\&theta;}}}_2)=1-\mathrm{\&alpha;}---\left(9\right)$

则称区间为参数θ的置信度为1-α的置信区间(Confidence Interval)，分别为置信下限和置信上限，而1-α也称为置信水平(Confidence Level)(或者置信概率)。

一般的，可以按照下面的步骤求参数θ的置信区间：

1)选择样本X₁,X₂,...,X_n的函数T＝T(X₁,X₂,...,X_n)，其中包含θ，而不能包括其他未知参数，并且T有一个确定的不依赖于任何未知参数的概率分布。

2)对于给定的α(0<α<1)，确定置信区间的分位数a，b，使得满足

P(a<T(X₁,X₂,...,X_n)<b)＝1-α

3)对于分位数a，b，将上面的等式改写为：

$P\left({\widehat{\mathrm{\&theta;}}}_1\right(X_1,X_2,\mathrm{...},X_n)<\mathrm{\&theta;}<{\widehat{\mathrm{\&theta;}}}_2(X_1,X_2,\mathrm{...},X_n\left)\right)=1-\mathrm{\&alpha;}$

由此可以得到参数θ的置信水平为1-α的置信区间为

因此有必要对待监测区域进行采样，用于计算选用RSSI值的置信区间。假设对待监测区域内有n个采样点(SP₁,SP₂,...,SP_n)，m个信标节点(B₁,B₂,...,B_m)。由于利用统计分析的方法，需要在每个采样点进行多次采集。在采样点SP_i处采集N组数据分别为(RSSI_i1 ⁽¹⁾,RSSI_i2 ⁽¹⁾,...,RSSI_im ⁽¹⁾)，(RSSI_i1 ⁽²⁾,RSSI_i2 ⁽²⁾,...,RSSI_im ⁽²⁾)，…，(RSSI_i1 ^(N),RSSI_i2 ^(N),...,RSSI_im ^(N))，其中RSSI_ij表示采样点SP_i采集到信标节点B_j，(RSSI_ij ⁽¹⁾,RSSI_ij ⁽²⁾,...,RSSI_ij ^(N))可以看作是RSSIi_j一个样本。由式5.3可知RSSIi_j服从正态分布N(μ_ij,σ²)，其中μ_ij是未知参数，σ根据具体环境给定，为样本均值，则服从正态分布N(μ_ij,σ²)，因而

$U=\frac{\stackrel{\&OverBar;}{{\mathrm{RSSI}}_{ij}}-{\mathrm{\&mu;}}_{ij}}{\frac{\mathrm{\&sigma;}}{\sqrt{10}}}---\left(10\right)$

服从标准正态分布N(0,1)。

给定置信水平1-α(0<α<1)，存在使得

$P\left\{\right|U|<u_{\frac{\mathrm{\&alpha;}}{2}}\}=1-\mathrm{\&alpha;}---\left(11\right)$

从图2可以看出，是标准正态分布关于的上侧分位数，的数值可以从标准正态分布函数表中查到。

把U的表达式(10)带入式(11)得到

$P\{\left|\frac{\stackrel{\&OverBar;}{{\mathrm{RSSI}}_{ij}}-{\mathrm{\&mu;}}_{ij}}{\frac{\mathrm{\&sigma;}}{\sqrt{10}}}\right|<u_{\frac{\mathrm{\&alpha;}}{2}}\}=1-\mathrm{\&alpha;}$

进一步改写为

$P\{\stackrel{\&OverBar;}{{\mathrm{RSSI}}_{ij}}-u_{\frac{\mathrm{\&alpha;}}{2}}\frac{\mathrm{\&sigma;}}{\sqrt{10}}<{\mathrm{\&mu;}}_{ij}<\stackrel{\&OverBar;}{{\mathrm{RSSI}}_{ij}}+u_{\frac{\mathrm{\&alpha;}}{2}}\frac{\mathrm{\&sigma;}}{\sqrt{10}}\}=1-\mathrm{\&alpha;}---\left(12\right)$

这样就可以得到μ_ij即RSSI_ij的置信区间 和称为RSSI_ij的置信下限和置信上限。类似地，可以求解其他未知节点的RSSI置信上限、下限。通常取1-α得数值为90％，或95％。

RSSI值的校正以及质心加权系数的确定。实际环境中同一个RSSI值，在同一网络拓扑分布中的不同节点对之间代表的距离是不同的，即使是不同物理位置，也有可能RSSI值相近或相同，通过上述概率、置信方法判断后，还有通过其他可信的方法对RSSI值进行校正，进一步减少由于RSSI值带来的定位误差。

本发明考虑在上述方法的基础上把固定信标节点之间的距离和信号强度两种信息同时作为参考来校正RSSI测距。

由于已式(3)求解到路径衰减指数n值。再结合信标节点的间距，因此可以进一步对未知节点到信标节点B_i的距离Bd_i，该算法用下面式子计算出未知节点M与信标节点B_i之间的距离集合，D_i＝{d_i1,d_i2,...,d_ij}其中，i≠j。

$d_{ij}=\frac{p_{ji}^{\frac{1}{n}}\&times;{\mathrm{Bd}}_{ji}}{P_i^{\frac{1}{n}}}---\left(13\right)$

P_ji表示信标节点B_i接收到信标节点B_j的信号强度平均值；P_i表示未知节点M接收到信标节点B_i的信号强度平均值；Bd_ji表示信标节点B_i和B_j之间的距离，n为路径损耗指数。

将D_i集合中的均值记作d_i，W_i表示信标节点B_i的权值，其计算公式如下：

$W_i=\frac{1}{d_i}---\left(14\right)$

则未知节点M的坐标用信标节点坐标的加权平均值来计算，来描述每个信标节点对未知定位节点的影响，计算公式如下：

$X_M=\frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}(W_i\&times;X_i)}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{W}_i},Y_M=\frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}(W_i\&times;Y_i)}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{W}_i}---\left(15\right)$

从式(15)可以看出，在求解待定位节点与信标节点之间的距离过程中，将信标节点之间的距离和RSSI两种信息作为参考因子参与计算，实现对RSSI值的校正，提高定位精度。

Claims (5)

1.一种自适应环境的RSSI校正的无线传感器网络定位算法，其特征在于：首先进行环境感知，获取相应的路径损耗衰减系数n，并计算采样点与信标对应的置信区间，构建指纹离线数据库，当定位节点如果能够采集到满足置信约束的K组RSSI，优先采用K邻居定位算法找到最为接近的K个邻居后，通过质心算法求解其位置；否则的话，先利用高斯分布函数过滤RSSI值，再结合基于信标间距校正模型对RSSI再次校正，然后采用最小二乘法求解未知节点的极大似然解，并利用经RSSI校正的加权系数的质心算法定位该未知节点位置，同时也反映了信标节点对待定位节点的影响力。

2.根据权利要求1所述的一种自适应环境的RSSI校正的无线传感器网络定位算法，其特征在于：进行环境感知，获取相应的路径损耗衰减系数n的具体方法为：根据两个节点接收信号RSSI值，利用节点接收无线信号的功率与RSSI值的线性关系计算路径损耗衰减系数n。

3.根据权利要求1所述的一种自适应环境的RSSI校正的无线传感器网络定位算法，其特征在于：计算采样点与信标对应的置信区间，构建指纹离线数据库的具体方法为：首先布置采样节点，然后建立离线数据库，数据库中记录的内容由采样点坐标和N个信标节点的RSSI值组成，计算该采样点对应信标的RSSI可信区间，对于满足要求的点录入指纹离线数据库。

4.根据权利要求1所述的一种自适应环境的RSSI校正的无线传感器网络定位算法，其特征在于：当定位节点如果能够采集到满足置信约束的K组RSSI，优先采用K-NNSS找到最为接近的K个邻居后，通过质心算法求解其位置的具体方法为：采用K-NNSS算法计算未知节点与离线数据库中节点的欧拉距离，选取K个欧拉距离最小的值对应的离线数据库中样本位置坐标，直接利用质心算法求得待定位节点坐标。

5.根据权利要求1所述的一种自适应环境的RSSI校正的无线传感器网络定位算法，其特征在于：利用高斯分布函数过滤RSSI值，再结合基于信标间距校正模型对RSSI再次校正，然后采用最小二乘法求解未知节点的极大似然解，并利用经RSSI校正的加权系数的质心算法定位该未知节点位置的具体方法为：采用高斯分布函数对未知节点采集到的信标节点的RSSI值进行过滤；然后，求得m个未知节点与信标节点的距离值d₁,d₂,...,d_m和加权因子W₁,...,W_n，对d₁,d₂,...,d_m任取m-1个值进行排列组合，得到{(d₂,d₃,…,d_m),(d₁,d₃,…,d_m),…,(d₁,d₂,…,d_m-1)}，并对(d₂,d₃,…,d_m)利用坐标与距离之间的求解公式列方程组，通过极大似然法求解该方程组；最后，通过信标节点间距离和RSSI计算待定位节点坐标。