CN106353722A - 基于代价参考粒子滤波的rssi测距方法 - Google Patents

Abstract

本发明提供一种基于代价参考粒子滤波的RSSI测距方法，包括：在室内环境中布置锚节点，并规划移动节点的移动路径；使移动节点按规划好的路径移动，并在每个预定位置采集不同锚节点发送的数据包；对每个位置采到的数据包进行高斯滤波预处理；对预处理后的数据进行代价参考粒子滤波处理，以估计锚节点与移动节点之间的距离。本发明改善了测距需进行大量先验实验拟合模型的现状，适合无线信号传播衰减过程中噪声未知的情况，其特点是将最新观测值用于序贯估计，根据环境数据进行实时的自适应调整；引入自适应渐消因子，动态调整历史观测值对估计过程的影响度；采用闭环的调整策略，计算反馈系数，增强系统鲁棒性，提高测距精度。

Description

基于代价参考粒子滤波的RSSI测距方法

技术领域

本发明属于无线传感器网络领域，尤其涉及一种基于代价参考粒子滤波的RSSI测距方法。

背景技术

近年来，随着无线网络、移动计算、普适计算等技术的不断发展，使基于位置服务的应用日益普及，特别是室内定位技术得到了广泛的关注。然而，由于墙壁阻挡、室内环境复杂导致存在非视距传播，因而容易造成无线信号的多径效应，使得GPS信号在室内严重衰减甚至失效，无法实现定位。

随着无线技术的快速发展，红外线定位技术、超声波定位技术、蓝牙技术、射频识别技术、超宽带技术、WiFi技术及ZigBee技术已成为了主流的室内定位技术。目前室内定位技术主要分为基于测距和非测距两大类。其中，基于非测距的定位方法是通过无线信号的传播过程分析其在不同位置表现出来的特性进行定位，定位精度较低。基于测距的定位方法主要有：利用到达时间(TOA)、到达时间差(TDOA)、到达角度(AOA)及无线信号接收强度指示(RSSI)等测量值推导距离，再由距离求解目标位置，定位精度较高。

接收信号强度指示(RSSI)是指接收机接收到发送机的信号强弱指示后，利用无线信号路径传播统计模型直接获得接收机与发送机之间的距离，无需配备额外的测距设备，成本较低，所以基于RSSI的测距方法常用于室内定位。

上述无线信号路径传播统计模型一般选取对数距离路径损耗模型：RSSI＝A-10ηlg(d)+X_σ，其中，X_σ是高斯随机变量，为方便计算常常将其忽略，因而会引入误差；A、η参数的估计采用非线性函数拟合算法。例如，在申请号为201410421599.6、发明名称为“一种室内定位方法及装置”的发明专利申请中，即利用了简化的对数距离路径损耗模型RSSI＝A-10ηlg(d)，其通过测量100个测量点，每个测量点测得100组数据，然后进行拟合得到A、η，进而实现室内定位。但是，该方法需要测量大量的先验数据进行拟合，工作量大，而且一旦环境变化则需重新采集先验数据进行拟合；在专利号为ZL201110382344.X、发明名称为“基于BP神经网络和改进质心算法的室内定位方法”的发明专利中，在先验阶段测量大量(RSSI，d)训练BP神经网络，并保存网络，在测距阶段以RSSI为输入，d为输出实现测距，使用神经网络进行拟合非线性曲线方法简单，先验数据量也减少，但是该方法只能将数据批量处理，无法利用最新测量值，环境变化时也需采集数据调整。

可见，现有的基于RSSI测距方法一般选取简化的对数距离路径损耗模型，并通过非线性函数参数拟合得到模型中的参数或通过神经网络进行拟合，两种拟合方法均需要采集大量的先验数据，先验阶段工作量大。且无法利用最新测量值，一旦环境改变，先验阶段拟合的参数需进行校正，故拟合的参数无法对环境进行自适应调整。

发明内容

针对上述现技术中的不足，本发明提供一种基于代价参考粒子滤波的RSSI测距方法，该方法能在不增加测距设备的前提上实时测距且不受高斯随机噪声影响，同时又能适应环境变化，鲁棒性能较强，无需大量先验实验和重复采集测量值，提高室内定位精度。

为了实现上述目的，本发明采用如下技术方案：

一种基于代价参考粒子滤波的RSSI测距方法，包括以下步骤：

步骤S1，在室内环境中布置锚节点，并规划移动节点的移动路径；

步骤S2，使移动节点按规划好的路径移动，并在每个预定位置采集不同锚节点发送的数据包，所述数据包包含锚节点标号及RSSI值，；

步骤S3，对每个位置采到的数据包按锚节点标号分组进行高斯滤波预处理，并对预处理后的RSSI值求算数平均值，作为RSSI观测值；

步骤S4，对各RSSI观测值进行代价参考粒子滤波处理，以估计得到锚节点与移动节点之间的距离。

进一步地，所述步骤S4包括以下步骤：

步骤S41，构建代价参考粒子滤波的状态方程和观测方程：

$\left\{\begin{array}{c}{X}_t={\mathrm{FX}}_{t-1}+w_t\\ Y_t=h\left(X_t\right)+m_t\end{array}\right.---\left(2\right),$

其中，t为离散时间，X_t为t时刻的状态向量，且η_t为路径损耗因子，为路径损耗因子的变化，d_t为锚节点与移动节点之间的距离，v_t为移动节点的速度，F为状态转移矩阵，t_Δ为时间区间，w_t为t时刻的状态噪声，Y_t为t时刻的RSSI观测值，m_t是观测噪声；

步骤S42，在t₀时刻，从状态空间中均匀采样M个初始粒子-代价集其中，为t₀时刻第i个粒子的状态向量，为t₀时刻第i个粒子的代价值，且

步骤S43，计算自适应的渐消因子其中，为当前所有粒子的整体平均代价；

步骤S44，计算所有粒子在t+1时刻的风险值

$\begin{array}{c}{R}_{t+1}^{\left(i\right)}={\mathrm{\Δ}}_t*{\mathrm{\λ}}_t*{C_t}^{\left(i\right)}+(1-{\mathrm{\Δ}}_t)*R\left({x_t}^{\left(i\right)}\right|y_{t+1})\\ ={\mathrm{\Δ}}_t*{\mathrm{\λ}}_t*{C_t}^{\left(i\right)}+(1-{\mathrm{\Δ}}_t)*{|y_{t+1}-h\left(f\right(x_t^{\left(i\right)}\left)\right)|}^q\end{array}---\left(3\right),$

其中，h(·)为观测方程，f(·)为状态方程，为t时刻第i个粒子的状态向量，y_t+1为t+1时刻的RSSI观测值，q＝1或q＝2，Δ_t为反馈系数，λ_t为渐消因子，为t时刻第i个粒子对应的代价值；

步骤S45，根据步骤S44中得到的风险值计算粒子重采样权值r：

$r=\frac{{(R-R_{\min e}+\mathrm{\α})}^{-ki}}{sum{(R-R_{\min e}+\mathrm{\α})}^{-ki}}---\left(4\right),$

其中，R_mine为所有粒子对应的风险值中最小的风险值，α、ki为调整系数；

然后，根据重采样权值r进行粒子重采样，并得到重采样的粒子-代价集合其中，表示重采样粒子，表示重采样粒子的代价值；

步骤S46，使重采样的粒子按高斯分布函数随机传播，并约束演化方向，得到新的粒子，而后对新粒子进行修正，得到t+1时刻的粒子并更新方差

${\mathrm{\σ}}_t^{2,\left(i\right)}=(1-{\mathrm{\Δ}}_{t-1})*{\mathrm{\σ}}_{t-1}^{2,\left(i\right)}+\frac{{\left|x_t^{\left(i\right)}-F*x_{t-1}^{\left(i\right)}\right|}^2}{t*L}---\left(5\right),$

其中，分别表示当前时刻及更新后的方差，L为状态向量X_t的维度；

而后，计算t+1时刻所有粒子的代价

其中，q取1或2；

步骤S47，以最小平均误差准则估算状态向量及计算反馈系数Δ_t+1：

${\stackrel{\‾}{x}}_{t+1}^{mean}=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\ω}}_{t+1}^{\left(i\right)}*x_{t+1}^{\left(i\right)})---\left(7\right),$

${\mathrm{\Δ}}_{t+1}=1-\left|\frac{{\mathrm{RSSI}}_{t+1}-h\left({\stackrel{\‾}{x}}_{t+1}^{mean}\right)}{{\mathrm{RSSI}}_{t+1}}\right|---\left(8\right),$

并将反馈系数Δ_t+1反馈回步骤S44和S46，直至移动节点的所有位置估算完为止。

进一步地，所述步骤S2还包括检查移动节点采集的数据包是否丢包，若丢包，则重新采集。

优选地，在所述步骤S2中，所述移动节点在每个位置采集八个以上的数据包。

进一步地，所述步骤S3包括：

步骤S31，构建高斯滤波函数：

$g\left(x\right)=\frac{1}{{\mathrm{\σ}}_m\sqrt{2\mathrm{\π}}}\exp (-\frac{{(x-{\mathrm{\μ}}_m)}^2}{2{{\mathrm{\σ}}_m}^2})---\left(1\right),$

其中，m为锚节点标号，n为采集该锚节点的RSSI数目；

步骤S32，对g(x)大于临界值对应的RSSI值求算数平均值，并将求得的算数平均值作为RSSI观测值。

优选地，所述临界值取0.5。

进一步地，所述步骤S46采用如下方法对新粒子进行修正：当新粒子对应的路径损耗因子η≤0，则以与其对称的值来取代粒子的路径损耗因子。

由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：

(1)本发明采用代价参考粒子滤波测距，无需离线采集大量数据建立模型，实现了在线实时距离估计；

(2)代价参考粒子滤波测距不需要噪声概率分布建模，无需对无线信号衰减统计模型的噪声进行预先观测；

(3)本发明是一种序贯算法，将最新观测值用于状态量估计，可根据实际测量值进行自适应调整，引进了自适应的渐消因子λ_t，通过代价值实时更新渐消因子，并利用渐消因子调节历史观测值在当前估计中的权重，实现了潜在的自适应性；

(4)本发明测距算法采用闭环的方式，根据估计的信号强度与实时采集的信号强度计算出反馈系数，再利用反馈系数调整系统参数，系统鲁棒性更强。

附图说明

图1为本发明基于代价参考粒子滤波的RSSI测距方法的流程图；

图2为本发明代价参考粒子滤波处理的流程图；

图3为本发明中主要公式的关系图；

图4为采用本发明的测距结果与真实距离的对比图。

具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

本发明在现有无线信号路径传播模型和传统RSSI测距及定位方法的基础上，提出了一种改进型的基于代价参考粒子滤波的RSSI测距方法，本发明的具体实施方式如图1所示，包括以下步骤：

步骤S1，在室内环境中，以基于ZigBee无线通信协议，但不局限于ZigBee的任何无线信号接收功率强度可测量的无线通信协议的硬件平台作为无线通信平台，用CC2430模块但不限于CC2430模块的任何以2.4GHz射频系统单芯片为核心的无线通信模块作为锚节点及移动节点，需保证移动节点运动区域无盲区，无线信号能全部覆盖，为较为准确地计算移动节点坐标，可将其设置在能接收到三个锚节点的信号强度的位置。同时，需调整各节点高度保持大体一致，减少节点间高度差造成的影响，布置锚节点，规划好移动节点路径。

步骤S2，打开各无线模块电源，确定通信无误后开始采集数据，作为锚节点的无线模块用于广播信号，移动节点用于将接收到的数据包通过转移节点上传至上位机，该数据包由锚节点标号及RSSI值组成。为保证数据准确，使移动节点在规划好的路径上移动，并在每个预定位置采集不同锚节点发送的数据包，每个位置采集八个以上数据包作为一组数据，并将包含RSSI值及相应锚节点标号的数据包上传至计算机，检查是否丢包，如若有，则重新采集。

步骤S3，对每个位置，将步骤S2中采集到的数据包按锚节点标号分组进行高斯滤波预处理，构建高斯滤波函数g(x)如下：

$g\left(x\right)=\frac{1}{{\mathrm{\σ}}_m\sqrt{2\mathrm{\π}}}\exp (-\frac{{(x-{\mathrm{\μ}}_m)}^2}{2{{\mathrm{\σ}}_m}^2})---\left(1\right),$

在上式中，参数m为锚节点标号，n为采集该锚节点的RSSI数目；本实施方式中g(x)临界值选取0.5，即0.5≤g(x)≤1，当高斯分布函数值大于0.5对应的RSSI值为高概率发生值，当高斯分布函数值小于0.5对应的RSSI值为小概率随机事件，故每组数据经过滤波后可以剔去小概率随机事件，并将滤波后的RSSI值求算数平均值，作为RSSI观测值输入步骤S4。

步骤S4，将步骤S3中经过高斯滤波及均值处理的RSSI观测值进行代价参考粒子滤波处理，以估计锚节点与移动节点间的距离，具体滤波处理过程如图2所示，包括以下步骤：

(1)步骤S41，构建代价参考粒子滤波方程为：

$\left\{\begin{array}{c}{X}_t={\mathrm{FX}}_{t-1}+w_t\\ Y_t=h\left(X_t\right)+m_t\end{array}\right.---\left(2\right),$

其中，t为离散时间，X_t代表不可观测的状态向量，在本发明中为路径损耗因子η_t由于室内环境复杂故非固定值，用描述它的变化情况，d_t表示移动节点到锚节点的距离，v_t为移动节点的速度；F为状态转移矩阵，其中t_Δ为时间间，w_t是状态噪声，m_t是观测噪声，Y_t为t时刻的RSSI观测值。

步骤S42，将第0个观测时刻t₀作为初始时刻，在初始时刻t₀，初始化粒子-代价集集Ω，获得初始粒子集 表示初始时刻t₀的第i个粒子的状态向量，为t₀时刻第i个粒子的代价值，其中，从状态空间U(I₀)(指状态向量可取值的范围)中均匀采样M个粒子并设初始代价值

步骤S43，计算自适应渐消因子λ_t，λ_t与代价参考值(即当前所有粒子的整体平均代价值)成反比，表示为其中φ为的单调递减函数，如反比例函数、底数小于1大于0的对数函数等，由于λ_t小于1，所以本实施方式中取并满足0≤λ_t≤1。

步骤S44，计算当前时刻所有粒子的一步风险值(一步指下一时刻的，由于时间是离散的，所以称为一步)，该风险值与粒子对应的代价有关，风险值更新为：

$\begin{array}{c}{R}_{t+1}^{\left(i\right)}={\mathrm{\Δ}}_t*{\mathrm{\λ}}_t*{C_t}^{\left(i\right)}+(1-{\mathrm{\Δ}}_t)*R\left({x_t}^{\left(i\right)}\right|y_{t+1})\\ ={\mathrm{\Δ}}_t*{\mathrm{\λ}}_t*{C_t}^{\left(i\right)}+(1-{\mathrm{\Δ}}_t)*{|y_{t+1}-h\left(f\right(x_t^{\left(i\right)}\left)\right)|}^q\end{array}---\left(3\right),$

其中，h(·)为观测方程，f(·)为状态方程，为t时刻第i个粒子的状态向量，y_t+1为t+1时刻的RSSI观测值，q＝1或q＝2，Δ_t为反馈系数(其初始值为1)，λ_t为渐消因子，为t时刻第i个粒子对应的代价值。

步骤S45，根据步骤4)中的得到的一步风险值求粒子权重，归一化得重采样权重为r：

$r=\frac{{(R-R_{\min e}+\mathrm{\α})}^{-ki}}{sum{(R-R_{\min e}+\mathrm{\α})}^{-ki}}---\left(4\right),$

其中，R_mine表示所有粒子对应的一步风险值中最小的风险值，R表示所有粒子的一步风险值的集合，r表示所有粒子的重采样权值集合，α、ki为调整系数，α的选取能使粒子权重有足够的分辨率即可；

然后，重采样，即，复制权重大的粒子，剔除权重小的粒子。本实施方案中采用较为基本的方法——“轮盘赌”，具体实现方法为：用粒子权重构成轮盘，然后用产生(0，1)的均匀分布，随机数落到轮盘哪个区域上，则复制该粒子。权重大的粒子被选中的概率也大，选中一次该粒子及其代价就会被复制一次，最终得到中间粒子代价集

步骤S46，按高斯分布函数来随机传播重采样的粒子并约束演化方向，得到新的粒子Px_t+1，无线信号在室内传播过程中路径损耗因子η始终为正值，故设置状态向量中阈值η_th为零，当新粒子中η≤η_th，则以与其对称的值(即以均值为对称轴的镜像值)来取代粒子的路径损耗因子进行修正，得到t+1时刻的粒子然后，需将高斯分布函数的方差进行更新，方差与粒子的分布相关，利用反馈系数动态调整历史粒子方差对当前方差更新的影响，调整更新后的粒子分布情况，从而实现负反馈，更新方差为：

${\mathrm{\σ}}_t^{2,\left(i\right)}=(1-{\mathrm{\Δ}}_{t-1})*{\mathrm{\σ}}_{t-1}^{2,\left(i\right)}+\frac{{\left|x_t^{\left(i\right)}-F*x_{t-1}^{\left(i\right)}\right|}^2}{t*L}---\left(5\right),$

其中，分别表示当前时刻及更新后的方差(方差的初值为[0.5；5；0.1；0.1])，L为状态向量维度；

而后，计算该时刻所有粒子代价值

其中，q取1或2。

步骤S47，以最小平均误差准则估计状态向量及计算反馈系数：

${\stackrel{\‾}{x}}_{t+1}^{mean}=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\ω}}_{t+1}^{\left(i\right)}*x_{t+1}^{\left(i\right)})---\left(7\right),$

${\mathrm{\Δ}}_{t+1}=1-\left|\frac{{\mathrm{RSSI}}_{t+1}-h\left({\stackrel{\‾}{x}}_{t+1}^{mean}\right)}{{\mathrm{RSSI}}_{t+1}}\right|---\left(8\right),$

由于状态向量中包括移动节点与锚节点之间的距离，所以估计状态向量即可得到称动节点与锚节点之间的距离，而反馈系数可反馈回至步骤S44与S46用于更新风险、代价及方差，直至移动节点的所有位置估算完为止。

综上，经过步骤S3后可以剔除原始数据中的误差，并作为步骤S4的输入，经过步骤S4滤波后输出距离，图4为本发明方法代价参考粒子滤波测距结果与实际距离的对比，本发明中的测距方法估计的距离与真实距离十分接近，可见估计精度较高。

本发明采用基于代价参考粒子滤波的RSSI测距方法，无需离线采集大量数据建立模型，实现了在线实时距离估计；其中代价参考粒子滤波不需要对噪声概率分布已知假设，无需对无线信号衰减统计模型的噪声进行预先观测；本发明是一种序贯算法，将最新观测值用于估计并可根据实际测量值进行自适应调整；本发明测距算法采用闭环的处理策略，参数具有一定的自适应性，系统鲁棒性更强，也提高了基于RSSI的测距的精度。

Claims (7)

1.一种基于代价参考粒子滤波的RSSI测距方法，其特征在于，包括以下步骤：

步骤S1，在室内环境中布置锚节点，并规划移动节点的移动路径；

步骤S2，使移动节点按规划好的路径移动，并在每个预定位置采集不同锚节点发送的数据包，所述数据包包含锚节点标号及RSSI值；

步骤S3，对每个位置采到的数据包按锚节点标号分组进行高斯滤波预处理，并对预处理后的RSSI值求算数平均值，作为RSSI观测值；

步骤S4，对各RSSI观测值进行代价参考粒子滤波处理，以估计得到锚节点与移动节点之间的距离。

2.根据权利要求1所述的基于代价参考粒子滤波的RSSI测距方法，其特征在于，所述步骤S4包括以下步骤：

步骤S41，构建代价参考粒子滤波的状态方程和观测方程：

$\left\{\begin{array}{c}{X}_t={\mathrm{FX}}_{t-1}+w_t\\ Y_t=h\left(X_t\right)+m_t\end{array}\right.---\left(2\right),$

其中，t为离散时间，X_t为t时刻的状态向量，且η_t为路径损耗因子，为路径损耗因子的变化，d_t为锚节点与移动节点之间的距离，v_t为移动节点的速度，F为状态转移矩阵，t_Δ为时间区间，w_t为t时刻的状态噪声，Y_t为t时刻的RSSI观测值，m_t是观测噪声；

步骤S42，在t₀时刻，从状态空间中均匀采样M个初始粒子-代价集其中，为t₀时刻第i个粒子的状态向量，为t₀时刻第i个粒子的代价值，且

步骤S43，计算自适应的渐消因子其中，为当前所有粒子的整体平均代价；

步骤S44，计算所有粒子在t+1时刻的风险值

$\begin{array}{c}{R}_{t+1}^{\left(i\right)}={\mathrm{\Δ}}_t*{\mathrm{\λ}}_t*{C_t}^{\left(i\right)}+(1-{\mathrm{\Δ}}_t)*R\left({x_t}^{\left(i\right)}\right|y_{t+1})\\ ={\mathrm{\Δ}}_t*{\mathrm{\λ}}_t*{C_t}^{\left(i\right)}+(1-{\mathrm{\Δ}}_t)*|y_{t+1}-h(f\left(x_t^{\left(i\right)}\right)){|}^q\end{array}---\left(3\right),$

其中，h(·)为观测方程，f(·)为状态方程，为t时刻第i个粒子的状态向量，y_t+1为t+1时刻的RSSI观测值，q＝1或q＝2，Δ_t为反馈系数，λ_t为渐消因子，C_t ⁽ⁱ⁾为t时刻第i个粒子对应的代价值；

步骤S45，根据步骤S44中得到的风险值计算粒子重采样权值r：

$r=\frac{{(R-R_{mine}+\mathrm{\α})}^{-ki}}{sum{(R-R_{mine}+\mathrm{\α})}^{-ki}}---\left(4\right),$

其中，R_mine为所有粒子对应的风险值中最小的风险值，α、ki为调整系数；

然后，根据重采样权值r进行粒子重采样，并得到重采样的粒子-代价集合其中，表示重采样粒子，表示重采样粒子的代价值；

步骤S46，使重采样的粒子按高斯分布函数随机传播，并约束演化方向，得到新的粒子，而后对新粒子进行修正，得到t+1时刻的粒子并更新方差

${\mathrm{\σ}}_t^{2,\left(i\right)}=(1-{\mathrm{\Δ}}_{t-1})*{\mathrm{\σ}}_{t-1}^{2,\left(i\right)}+\frac{|x_t^{\left(i\right)}-F*x_{t-1}^{\left(i\right)}{|}^2}{t*L}---\left(5\right),$

其中，分别表示当前时刻及更新后的方差，L为状态向量X_t的维度；

而后，计算t+1时刻所有粒子的代价

其中，q取1或2；

步骤S47，以最小平均误差准则估算状态向量及计算反馈系数Δ_t+1：

${\stackrel{\‾}{x}}_{t+1}^{mean}=\underset{i=1}{\overset{M}{\Σ}}({\mathrm{\ω}}_{t+1}^{\left(i\right)}*x_{t+1}^{\left(i\right)})---\left(7\right),$

${\mathrm{\Δ}}_{t+1}=1-\left|\frac{{\mathrm{RSSI}}_{t+1}-h\left({\stackrel{\‾}{x}}_{t+1}^{mean}\right)}{{\mathrm{RSSI}}_{t+1}}\right|---\left(8\right),$

并将反馈系数Δ_t+1反馈回步骤S44和S46，直至移动节点的所有位置估算完为止。

3.根据权利要求1所述的基于代价参考粒子滤波的RSSI测距方法，其特征在于，所述步骤S2还包括检查移动节点采集的数据包是否丢包，若丢包，则重新采集。

4.根据权利要求1所述的基于代价参考粒子滤波的RSSI测距方法，其特征在于，在所述步骤S2中，所述移动节点在每个位置采集八个以上的数据包。

5.根据权利要求1所述的基于代价参考粒子滤波的RSSI测距方法，其特征在于，所述步骤S3包括：

步骤S31，构建高斯滤波函数：

$g\left(x\right)=\frac{1}{{\mathrm{\σ}}_m\sqrt{2\mathrm{\π}}}\exp \left(-\frac{{(x-{\mathrm{\μ}}_m)}^2}{2{{\mathrm{\σ}}_m}^2}\right)---\left(1\right),$

其中，m为锚节点标号，n为采集该锚节点的RSSI数目；

步骤S32，对g(x)大于临界值对应的RSSI值求算数平均值，并将求得的算数平均值作为RSSI观测值。

6.根据权利要求5所述的基于代价参考粒子滤波的RSSI测距方法，其特征在于，所述临界值取0.5。

7.根据权利要求1所述的基于代价参考粒子滤波的RSSI测距方法，其特征在于，所述步骤S46采用如下方法对新粒子进行修正：当新粒子对应的路径损耗因子η≤0，则以与其对称的值来取代粒子的路径损耗因子。