一、课题要求回顾
Research on joint estimation of the RSS-Based Location and Path-loss Exponent in indoor environment
我们这个课题的主要工作就是基于RSS的室内定位算法以及室内环境指数衰减的研究。 根据你的这个课题要求和提供参考文献的，整个算法分两个部分： 第一个是RSSI的普通定位算法；
第二个是基于卡尔曼滤波的RSSI的改进定位算法；
然后，在原课题要求中，写到：
How to dealwith RSS based localization in an unknown path-loss model still need to be researched. The student need to find a novel algorithm tosolve this problem.
即在位置信道衰减的情况，我们也要进行定位，要求我们去研究这方面的算法。
二、设计流程和说明
根据上面的课题要求，我们知道在室内未知信道环境下，进行RSS估计效果较差，而本课题所要求的是在室内未知PL的情况下进行定位。
根据你的参考文献，这里我们使用RSS的算法进行定位，然后再加入卡尔曼滤波进行仿真分析（因为论文中LQI是实际测试得到，我们没法直接用这个方法）。
相关的理论你只要参考那篇文献就可以了，这里我就不再进一步叙述，这里我们主要给你对每个仿真图的含义进行分析说明，方便您写论文使用。
注意，由于RSSI原始的公式中的信道衰减时基于自由空间的，所以这里我们参考文献中的如下表格：
你在写论文的时候注意我们的算法和论文算法的区别： 参考论文算法：RSSI+LQI+Kalman 我们的算法：RSSI+ kalman
这是因为，LQI主要是通过测试采集得到，这里我们暂时没有这个数据 我们先对普通算法下的几个指标进行仿真。
3210 02节点的X误差10 01节点的Y误差0.50 051015202530354045节点的点位误差 50 5101520253035404550 5101520253035404550
上图是A_RSSI_PLE普通算法仿真中的误差仿真图，上面的仿真结果依次为节点点位误差，X横坐标误差，Y纵坐标误差。注意上面的图中，我认为设置了较大的噪声，所以误差较大，目的是为了对比加入kalman滤波之后的性能提升。
上如图是A_RSSI_PLE普通算法仿真中的最优信标数目仿真，从上面的仿真结果可以看到，当信标数目越多的时候，系统性能越好。
106 信标数:30,RSSI排序后仿真图105104103RSSI10210110010 0-151015信标数目202530
上如图是A_RSSI_PLE普通算法仿真中的不同信标点的RSSI图仿真。 我们先对改进后的算法的几个指标进行仿真。
3210 02原算法节点的点位误差带kalman算法节点的点位误差5101520253035404550 原算法节点的点位误差带kalman算法节点的点位误差 10 015101520253035404550 0.5原算法节点的点位误差带kalman算法节点的点位误差0 05101520253035404550
从上面的仿真结果可以看到，采用kalman滤波算法之后，可以有效抑制噪声的影响，从而得到更小的误差。
0.9原算法节点的点位误差带kalman算法节点的点位误差 0.650.6原算法节点的点位误差带kalman算法节点的点位误差 0.450.4原算法节点的点位误差带kalman算法节点的点位误差 0.80.550.70.350.50.450.3差0.6差差误误误均均0.4均0.25平0.5平0.35平0.20.40.30.150.250.30.20.10.2 020406080100 0204060801000.05 0204060信标数目信标数目信标数目不同新标点对应的平均误差，加入卡尔曼滤波之后，总体性能有所提升。
105 原算法RSSI带kalman算法RSSI104103ISSR1021011000 24681012信标数目
80100