无线传感器网络中RSSI滤波的若干处理方法

RSSI服从(0,δ2)的高斯分布，其概率密度函数为：

高斯模型解决了RSSI在实际测试中易受干扰、稳定性差等问题，提高了定位精度，但对阴影效应、能量反射等长时间干扰问题处理效果欠佳。

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，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：

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，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。