Matlab-RSSI指紋定位技術性能仿真 KNN算法與WKNN算法的CDF曲線對比圖

本博客環境爲Matlab2018 ，軟件版本不同可能會有些出入，需要稍作修改。

RSSI指紋定位技術
仿真要求
要求一：RSSI的測量值由對數路徑損耗模型產生，爲減小波動造成的誤差，其值可由多次測量取平均值來得到。
要求二：定位指紋數據庫的建立是基於網格形式產生不同的指紋節點。
要求三： 比較KNN算法與WKNN算法的CDF曲線對比圖，橫座標爲定位誤差，縱座標爲CDF。

代碼如下：
主函數，我的文件命名爲RSSI1.m

clear all; 
clc; 
BS1=[0,0];
BS2=[500,0];
BS3=[500,500];
BS4=[0,500]; 
std_var=4; %陰影效應，四個基站
A=[BS1;BS2;BS3;BS4]; %矩陣A包含基站的座標
pd0=0;
n=3; 
tt=5; 
% the number of RSSI measurement for each BS
number=1000;
for i=1:number
    MS=[400*rand,400*rand];
    r1=A-ones(4,1)*MS;
    r2=(sum(r1.^2,2)).^(1/2);
    for k=1:tt
        rssi(:,k)=pd0-10*n*log10(r2)-10^(std_var/10)*randn(4,1);
    end
    RSSIoone=mean(rssi,2);
    %database
    X=databaseone(A,std_var);%數據庫匹配
    %matching
    [m,~]=size(X);%構建數據庫，m個第三列
    for j=1:m
        distance(j)=norm(X(j,3:end)-RSSIoone');
    end
    [C,I]=sort(distance);
    %KNN algorithm
    K=3;
    match_result=X(I(1:K),1:2);%矩陣的行1-k，
    est1=mean(match_result);%得到knn
    RMSE1(i)=norm(est1-MS);%估計值與實際值的誤差
    %WKNN algorithm
    weight=1./C(1:K);%歐氏距離加權
    weight=weight'/sum(weight);%歸一化處理
    est2=sum([weight.*match_result(:,1),weight.*match_result(:,2)]);
    RMSE2(i)=norm(est2-MS);
    est3=X(I(1),1:2);
    RMSE3(i)=norm(est3-MS);
end
RMSE=0:20;
for i=1:length(RMSE)
    n1=0;%初始化都爲0
    n2=0;
    n3=0;
    for j=1:number-5%計算累積分佈函數
        if RMSE1(j)<=RMSE(i) % knn
            n1=n1+1;
        end
        if RMSE2(j)<=RMSE(i) % wnn
            n2=n2+1;
        end
        if RMSE3(j)<=RMSE(i)  % nn
            n3=n3+1;
        end
    end
    p1(i)=n1/number;
    p2(i)=n2/number;
    p3(i)=n3/number;
end
% plot 
plot(RMSE,p1,'-O',RMSE,p2,'-s',RMSE,p3,'-x') 
xlabel('The localization error (m)'); 
ylabel('CDF'); 
legend('KNN','WKNN','NN');

databaseone函數，我的文件命名爲databaseone.m

function [X]=databaseone(A,sigma)
% A is the coordinate of BSS
% sigma is the standard deviation of RSSI measurement
pd0=0;
n=3;
[m,~]=size(A);
tt=5;
coor=[];
RSSIone=[];
for i=20:20:480
    for j=20:20:480
        coor1=[i,j];
        coor=[coor;coor1];
        d1=A-ones(m,1)*coor1;
        d2=sum(d1.^2,2);
        d=d2.^(1/2);
        for k=1:tt
            rssi(:,k)=pd0-10*n*log10(d)-10^(sigma/10)*randn(m,1);
        end
        RSS_m=mean(rssi,2)';
        RSSIone=[RSSIone;RSS_m];
    end
end
X=[coor,RSSIone];%座標和RSSI的集合

運行結果如下圖所示：