上篇博文是對論文：MOBILE LOCALIZATON METHOD BASED ON MULTIDIMENSIONAL SIMILARITY ANALYSIS做出的筆記，博文地址：https://blog.csdn.net/Reborn_Lee/article/details/84202353#CONCLUSION

宣告：下面的模擬，定位誤差和論文中的有點不一樣，原因是因為目標位置論文沒有給出，只是給出了一個區域範圍，我取這個區域中的任意一點，稍微不一樣也是正常的，但是趨勢都是一樣的。

這篇博文將對論文給出的方法進行模擬，模擬的條件：

三個基站位於（0,0），（2500,4330）和（5000,0），距離測量誤差為高斯分佈，零均值和標準差為30，所有單位 是米。

先給出一次實驗的定位示意圖：

此時，移動站的位置為：x0 = [3000,2000]';

可見，估計出來的目標位置和實際位置重合，故能夠定位。

下面考慮定位的均方根誤差：

為了比較上述兩種方法的效能，將7個移動臺固定在不同的區域座標系的象限中。

移動站的位置分別為：

x_ms1 = [3000,7000]';
x_ms2 = [-1000,3000]';
x_ms3 = [3000,2000]';
x_ms4 = [5000,3000]';
x_ms5 = [-3000,-1000]';
x_ms6 = [3000,-1000]';
x_ms7 = [7000,-1000]';

ms1——ms7對應上圖中的7個區域。座標是這個區域內的任意一個座標。試驗次數300.

模擬結果如下：

下圖中的橫座標是7個區域，可見在目標在每個區域的定位均方根誤差是不同的。

下面是傳統的LLS方法的模擬結果，為了方便比較，橫座標仍然是七個區域，取相同的目標。

LLS演算法的RMSE：

如果認真的比較上面兩個圖可以看出，這篇文章中提出的估計方法的均方差誤差在大多數情況下小於LLS演算法，也就是定位精度會稍微提高了一點。

模擬程式就不給出了，有興趣的私信我即可。

還是給出一次定位的程式吧：

自己編寫的，如果有問題，也可以和我討論：

clc
clear
close all

%measurement platform position
x1 = [0,0]';
x2 = [2500,4330]';
x3 = [5000,0]';
L = 3; %the number of measurements platform

X = [x1,x2,x3];
%target position
x0 = [3000,2000]';

% standard deviation of 30
sigma2 = 900 ;

n = sqrt(sigma2).*randn(L,1); %noise vector with standard deviation of 30
dl = sqrt( sum((X'-ones(L,1)*x0').^2,2) ); %the range measurement with free noise
rl = dl + n;     %the range measurement with noise


D = X' - ones(L,1)*X(:,1)';
D = D(2:L,:);

D1 = sum( (X(:,2:L)').^2, 2 );
D2 = sum((ones(L-1,1)*X(:,1)').^2 ,2);
D3 = ( ones(L-1,1)*rl(1) ).^2 - rl(2:L).^2 ;
D0 = D1 - D2 + D3;
x = 0.5*pinv(D)*D0;

% measurement platform position
plot(X(1,:),X(2,:),'d'); 
axis([-4000,8000,-4000,8000]);
xlabel('x(m)');ylabel('y(m)');

hold on 
%target real position
plot(x0(1),x0(2),'*');
hold on 
%estimation target position
plot(x(1),x(2),'bO');
hold off

legend('Measurement platform position','Real position','Estimation position');
 

其實一次定位的程式給出來了，那麼均方根誤差自己就可以根據這個程式改改即可。

原論文地址：https://download.csdn.net/download/reborn_lee/10792598