无线传感器网络是一种新兴技术，具有广泛的应用范围。
于接收信号强度指示（RSSI）应用程序的无线传感器网络必须过滤同一网络节点接收到的多个RSSI值。了理解RSSI过滤，介绍了几种过滤方法：详细介绍了每种过滤方法的原理和特点，以及过滤效果，算法的复杂性，节点的能耗。分解，选择一种组合了一个或多个算法的过滤方法。线传感器网络（WSN）[1]是一个自组织的多跳网络系统，由部署在特定监视区域中的大量廉价微传感器节点组成，无需通信即可形成电线[2]，作为一种类型。
的信息获取和处理技术在目标跟踪，环境监测，军事应用，医学和健康，太空探索等方面具有许多应用。[3]，节点定位技术[4]是无线传感器应用的基础。位技术基于RSSI：通过经验公式[5]将接收到的RSSI值转换为距离，并进行坐标计算使用适当的算法计算节点。而，由于环境中诸如多径，散射，障碍物和电磁干扰等不稳定因素的影响[6]，RSSI的值是不稳定且高度易变的。实际使用中，有必要对测得的RSSI值进行滤波[7]，获得优化的RSSI值，然后执行定位计算。面介绍了几种常用的RSSI过滤方法。
方法简单易实现。样本量较大且RSSI波动范围较小时，信号平滑度[9]较高，这可以更好地解决RSSI干扰问题；当RSSI的值波动很大时，该方法的可靠性降低。归均值过滤器将连续接收的N个RSSI值作为一个队列进行处理，该队列的长度设置为N，每次接收到新的RSSI值时，将其放置在末尾。列中的首字母缩写，将忽略原始团队负责人的RSSI。
：最后，对队列中的N个数据进行算术平均，以获得新的过滤结果。波算法的优点是对周期干扰具有良好的抑制效果，并且平滑度高。大的机会。值滤波可以有效克服偶然因素引起的波动干扰，但是当脉冲干扰较高且样本容量不足时，滤波效果并不理想。常大Dixon测试[10]在于通过距离比确定和拒绝异常数据。
方法认为异常数据必须是最大和最小的数据。此，该方法包括按大小对数据进行分类，以检查最大和最小数据是否为异常数据。]。
]为异常值，否则估计未发现异常值。到不再检测到异常值。后剩余的数据可用作已过滤的最终输出。Dixon测试可以有效地去除样本中的异常值，但是必须查看表格，通常将其与其他过滤算法混合使用。
同一个节点接收到的多个RSSI值中，由于各种干扰，必然会发生由错误引起的低概率事件，恒温阀芯采用高斯模型选择发生概率较高的RSSI。[11]作为有效值，然后获得几何形状。为平均值，该方法可以有效地降低低概率和严重干扰对所有测量数据的影响，并提高定位精度。间隔是高概率发生区域，并且选择该间隔中高斯函数的值的相应RSSI值，并将该RSSI值进行算术平均，作为该滤波器的最佳RSSI值。斯模型解决了RSSI在实际测试中容易受到干扰和稳定性差的问题，并提高了定位精度，但是它对诸如阴影效应之类的长期干扰问题有影响和能量的反射是中等的[12]。中：[Rprev（i）]是在时间i处信号强度的测量值； [Rpred（i）]是在时间i的信号强度的预测值； [Rest（i）]是在时间i处信号强度的滤波值； [Vest（i）]是在时间i处信号强度变化率的滤波值； [Vpred（i）]是在时间i时信号强度变化率的预测值； [a，b]是增益常数； [TS]是采样时间间隔。于速率常数的滤波算法可以有效减少信号波动对测量的影响。尔曼滤波器[14]的基本思想是使用最小均方误差作为最佳估计标准，使用信号和噪声的空间状态模型，并使用矩的估计值。前并观察当前时刻以更新状态变量。计获得了当前时间的估计值，并且算法根据建立的系统方程式和观测方程式对要处理的信号执行满足最小均方误差的估计。
中：[PK | [k-1]是一步预测的均方误差矩阵； [x∧k 1 | k]是一步状态预测值； [x∧k]是状态过滤器值； [Kk]是滤波器增益矩阵。; [Pk]是滤波后的均方误差矩阵。尔曼滤波可以在一定程度上减弱噪声叠加引起的RSSI观测间隙，恒温阀芯通过Kalman算法处理后的RSSI值具有较好的稳定性。尔曼在追求目标方面也取得了不错的成绩[15？ 16。
们讨论了以上几种常用的RSSI过滤方法和原理。种算法都有其自身的特征。有一个是绝对最佳的，例如平均滤波。算法简单易实现，但准确性较差。果不佳，高斯滤波器的处理效果要好得多，但是实现变得更加复杂，节点消耗更多的能量[17]，并使用了更多的存储空间。实际应用中，有必要根据具体条件来平衡各个方面，选择合适的滤波方法，或者混合使用几种算法以获得最佳的滤波效果。
们希望本文档将为从事无线传感器网络中RSSI值处理的研究人员提供参考和参考。
本文转载自
恒温阀芯 https://www.wisdom-thermostats.com