Estoy calculando la distancia desde un RSSI, y como parece tener una variación bastante alta, quiero tomar una media móvil exponencial.
Mi pregunta es: ¿en qué lugar de este cálculo es más aplicable aplicar el filtro de promedio móvil?
¿Quiero tomar el promedio móvil de:
Sólo "RSSI" suele ser una señal logarítmica. Como tal, no es apropiado para promediar. Creo que el espacio más apropiado para promediar es la intensidad de campos lineales, proporcional a voltios / metro. Eso sería algo constante al poder del RSSI.
Entonces, para cada lectura de RSSI, haga K RSSI , filtre los filtros de paso bajo, luego invierta el valor del filtro de paso bajo para obtener una idea aproximada de la distancia. Tenga en cuenta que muchas cosas afectan la intensidad de la señal que solo la distancia. Estas incluyen la orientación de las antenas transmisora y receptora, la interferencia constructiva o destructiva de múltiples vías y la absorción y el bloqueo de las cosas en el entorno. En el mejor de los casos, solo obtendrás una idea aproximada de la distancia. Si obtienes un factor de 2, considérate afortunado.
Tomas un promedio de RSSI.
Motivo: -
La distancia se basa en la potencia y la potencia se basa en el RSSI, por lo tanto, ¿por qué molestarse en convertir el RSSI en cualquier otra cantidad significativa y luego promediar ese número?
Quiero ampliar un poco mi comentario, aunque se ha superpuesto con lo que dijeron Andy y Olin.
El uso de RSSI para la localización (encontrar distancias) puede ser algo impredecible incluso en entornos de laboratorio donde el ruido se ha minimizado. En el lado positivo, hay algunos casos en los que se comporta lo suficientemente bien. Lo primero que debe hacer es tomar algunas medidas y ver si actúa de manera predecible en su entorno. Aquí puedo ofrecer más información sobre diferentes métodos, pero primero debe tomar muestras en varias configuraciones que probablemente ocurrirán con su dispositivo y ver si la medición RSSI relativa refleja las distancias relativas.
Una vez que haya hecho eso, si todo parece lo suficientemente predecible, entonces lo que quiere hacer es cuantificar esta previsibilidad calculando las distribuciones de probabilidad. Esto le permite cambiar la inferencia de declaraciones como "Por la lectura de RSSI, estoy seguro de que la distancia es de 5 m" a "Por la lectura de RSSI que indica una distancia de 5 m, estoy 90% seguro de que el objeto está entre 4 m y 6m ". ** Hay varios métodos que se pueden usar aquí, avíseme si está interesado.
Cuando Olin dice que "log" no es adecuado para promediar, lo que esto significa para mí es suponer que la medición de distancia tiene una función de error que es igualmente probable que sea + e como -e que luego "log" tendrá un error sesgado. Por otro lado, sin experimentos y predeterminando la distribución del error, realmente no se sabe qué medida está sesgada y cuál no. Es posible que ambos estén sesgados dependiendo de su aplicación.
Una vez que haya determinado la distribución, terminará con el problema que Andy mencionó. ¿Qué tan computable es esto? En otras palabras, debe tomar la distribución de probabilidad de la señal RSSI o la distancia y luego calcular la distribución de probabilidad de la señal suavizada. Esto variará en gran medida dependiendo de la distribución de probabilidad del error y probablemente determinará dónde tiene más sentido colocar su filtro. Creo que en cualquier situación es probable que necesite un filtro con un muy bajo \ $ \ alpha \ $
** Puede realizar este proceso, ya sea que sus datos sean predecibles o no. El problema es que podría estar interesado en determinar cuándo el objeto se ha movido 1m y obtener resultados como "Estoy 90% seguro de que el objeto se ha movido entre -1m y 4m" o revertir esta pregunta "¿Qué tan seguro estoy de que el objeto se ha movido? 1m? 15%. "
Lea otras preguntas en las etiquetas electromagnetism signal-processing