简介面向无线传感器网络定位研究者的DV-Hop改进算法仿真材料围绕多通信半径与跳距加权策略降低误差传播、提升节点定位精度适合WSN课程设计、算法复现与参数对比等场景的高年级学生和开发人员参考。压缩包共5个文件约66KB包含1个Matlab脚本、1份Markdown算法说明、1个txt代码说明以及2个fig图形文件分别呈现网络节点分布与定位误差结果便于快速理解实验设置和效果。已有787人学习下载。读者可据此复现传统DV-Hop与改进算法的仿真流程查看多通信半径设置、跳距加权计算及误差统计的实现细节并结合图形结果调参、评估平均定位误差与算法复杂度形成可扩展的实验记录。1. 整数跳数的代价一个 hop 计数能吞掉几米定位精度在 WSN 节点定位里DV-HOP 属于对硬件最不挑的一类不用测距、不用时钟同步仅靠洪泛出来的跳数就能把未知节点大致定位在图上。但它有一个反直觉的毛病——误差是系统性偏置并非随机抖动两个节点明明只隔 12 米洪泛出来却是 1 跳算法按“平均每跳 28 米”相乘计算坐标立刻偏离几米。多通信半径与跳距加权优化改的正是这两个乘法因子一个把整数跳数细分成 1/3、2/3 跳另一个不再依赖单个锚节点自报的平均跳距。搞懂这两处就能明白 DV-HOP 的精度上限究竟卡在哪里。2. DV-HOP 的三段式骨架误差是在哪一步被写进去的原始 DV-HOP 的结构并不复杂三个阶段各自清晰。问题在于每个阶段都会引入一种形态不同的误差而且它们会互相叠加第一段把几何距离压缩成整数拓扑量第二段用一个标量去代表全网的尺度第三段则用最小二乘把前两段的偏差再放大一遍。要谈改进得先把这三处误差的来源和形态拆开看否则改动就会落在不该动的地方。2.1 最小跳数洪泛跳数是一个被压缩过的距离阶段一的动作很朴素每个锚节点广播一条包含自身 ID、坐标和hop1的信标收到信标的节点记录下来把hop1后继续转发同一条信标只保留最小跳数。本质上是在无向图上做一次 BFS得到的h(u, a)是图上的最短跳数。这里的核心事实是跳数属于拓扑量并非几何量。同样记作 1 跳实际距离可以是 2 米也可以是 29 米通信半径 30 米的前提下。两个节点都记“到锚节点 1 跳”它们与锚节点之间的真实距离可能相差 25 米以上。这就是量化误差的根源把连续的距离轴切成以 R 为宽度的区间每个区间里只留一个代表值。更麻烦的是跳数会被网络形态扭曲。部署区里的空洞、边界、障碍物都会让最短路径绕行形成“弧长远大于弦长”的情形而在锚节点密集、节点分布均匀的区域路径又接近直线。同一个h值在两种区域代表的物理长度能差出三四成。洪泛本身没错它只是把一个各向异性的量硬编码成了一个各向同性的整数。2.2 平均跳距的估计锚节点自报的 HopSize 天生偏小阶段二让锚节点自己算一个尺度因子HopSize_i Σ_{j≠i} d_ij / Σ_{j≠i} h_ij分子是锚节点 i 与其它锚节点 j 之间的直线弦长分母是它们之间的最小跳数。可以把这段比值理解为“用弦/跳 去近似弧/跳”。当路径绕行时弦/跳 明显小于实际每跳的弧长当两个锚节点几乎直线可达时两者才接近。关键在于第一个锚节点的跳数 h_ij 越大绕行的机会就越多比值偏小的程度也越显著。因此不同锚节点算出来的 HopSize 并不相等锚节点稀疏的一侧其 HopSize 往往明显小于密集区域。而未知节点侧的规则更粗糙大多数实现直接取“跳数最小的那个锚节点”的 HopSize用一个标量去覆盖全网所有方向。位于远端的节点相当于借用了一个由别人测得的尺度来衡量自己的距离多跳累积之后估算距离会出现整体性偏移最终解算出的坐标向网络质心收缩。这就是 DV-HOP 在很多复现里“整体偏内”的原因。2.3 极大似然解算误差是怎么被 A 矩阵的条件数放大的阶段三拿到每个锚节点的估算距离后常规做法是把非线性方程组线性化。以第 n 个锚节点为参考把第 k 个方程减去参考方程二次项被消掉2(x_k - x_n)·x 2(y_k - y_n)·y d_n² - d_k² x_k² - x_n² y_k² - y_n²写成A·p b后用(AᵗA)⁻¹Aᵗb求解。这一步之所以危险是因为A只由锚节点之间的相对位置决定它完全不关心距离估计准不准。当参与的锚节点接近共线时AᵗA的最小特征值趋近于 0b里哪怕只有几十厘米的误差解出来的坐标也可能偏移到部署区外面去。把三个阶段串起来看误差的传导路径就清楚了整数跳数贡献了一个上限为 R 的量化误差单一 HopSize 贡献了一个方向性偏置最小二乘则在几何条件差的时候把前两者一起放大。下面的基线实现就是这三处误差的集中体现import numpy as np from collections import deque def dvhop_baseline(adj, anchors, R): adj: 邻接表; anchors: {id: (x, y)}; 返回未知节点估计坐标 # 阶段一每个锚节点做一次 BFS得到全网到它的最小整数跳数 hops {aid: bfs_hops(adj, aid) for aid in anchors} # 阶段二锚节点用其它锚节点的直线距离 / 跳数估自己的平均跳距 hop_size {} for i in anchors: num den 0.0 for j in anchors: if i j or hops[i].get(j, 0) 0: continue num np.linalg.norm(np.subtract(anchors[i], anchors[j])) # 弦长 den hops[i][j] # 整数跳数 hop_size[i] num / den # 阶段三未知节点取跳数最少的那个锚节点的 HopSize换算距离后求解 est {} for u in adj: if u in anchors: continue aid min(anchors, keylambda a: hops[a].get(u, np.inf)) d {a: hop_size[aid] * hops[a][u] for a in anchors if u in hops[a]} est[u] trilateration(anchors, d) return estbfs_hops是标准的层序洪泛trilateration就是上面那套线性化最小二乘。三处误差点分别是hops的整数值、hop_size的单标量性质以及trilateration对锚节点几何分布的完全依赖。后面两章要改的就是前两处。3. 多通信半径把 1 跳拆成 1/3 跳量化误差从哪省下来最直接的改进思路是增加跳数的取值粒度。既然“1 跳”这个分辨率太粗那就让一条链路按距离远近折算成 1/3 跳、2/3 跳或 1 跳。这样分母从整数变成小数Σd/Σh的偏置会明显减小——因为分母更接近真实的路径长度除以 R而不是被向上取整的跳数。3.1 从“听得到”到“听多响”分数跳数的两种判定路径要让接收端知道自己落在哪一档工程上有两条路。第一条是RSSI 阈值法节点只按最大半径广播一次接收端测量收到的功率拿它去比阈值。按对数距离路径损耗模型PL(d) PL(d₀) 10α·log₁₀(d/d₀)当 α 取 2.53、半径 30 米、分档边界设在 10/20/30 米时相邻档之间对应的功率差约为10α·log₁₀2也就是 7.59 dB。这个间隔听起来够宽但实际信道的 RSSI 抖动多径、遮挡、天线方向图不圆常见 46 dB 量级落在边界附近的节点判错概率并不低。低成本换来的是一部分链路权重被系统性地判错。第二条是多功率广播法节点依次以 R/3、2R/3、R 三档功率各发一次报文里带上当前档位接收端记录“我听到的最小档位”。听到 R/3 档说明距离在 10 米内只听到 R 档说明在 2030 米。这种方式不依赖 RSSI 标定判定只取决于能否正确解码代价是发送次数变成 k 倍接收唤醒次数也同步上升。这个能耗账留到最后一章细算先记住它是一条确定的取舍。3.2 分数跳数怎么在洪泛里传播单调性、容差与收敛改成分数之后洪泛规则要跟着动。每个节点维护dist[a]表示到锚节点 a 的累计小数跳数收到邻居 u 转发来的(a, h_u)时按本跳的链路权重w计算cand h_u w只有当cand明显小于当前记录时才更新并继续转发。这里有个容易被忽略的细节整数跳数每次严格 1更新次数天然有界分数跳数下同一条信标可能以 0.02 的改善幅度来回刷新节点反复入队仿真里表现为“跑很久不收口”。所以必须加两道闸一个更新阈值EPS改善小于它就直接丢弃一个跳数上限H_MAX超过上限的锚节点不参与后续解算同时也限制了误差的累积长度。这两道闸加与不加运行时间能差一个数量级。从图论角度看这个过程等价于在带权图上跑最短路权值在 (0, 1] 区间内由接收端根据听到的功率档位决定。用队列做松弛Bellman-Ford 的思路比 Dijkstra 更省事因为权值在传播过程中才确定很难维护优先队列的不变式。3.3 代码分级跳数与环内期望半径import numpy as np from collections import deque R 30.0 LEVELS [R / 3, 2 * R / 3, R] # 三档发射半径 EPS 1e-3 # 更新阈值压制小数抖动的反复刷新 H_MAX 12 # 跳数上限超出的锚节点直接不参与解算 def ring_expect(level): 节点均匀分布在环带内时的期望半径比直接用环上界更接近真值 lo LEVELS[level - 1] if level 0 else 0.0 hi LEVELS[level] return (2.0 / 3.0) * (hi**3 - lo**3) / (hi**2 - lo**2) def link_weight(level): level: 本跳听到的最小功率档下标0 表示连 R/3 档都收到了 return ring_expect(level) / R def flood_fractional(adj, anchors): hops {} for a in anchors: dist {a: 0.0} queue deque([(a, 0.0)]) while queue: u, h queue.popleft() if h H_MAX: continue for v, level in adj[u]: # 邻居 该链路的接收档位 cand h link_weight(level) if cand dist.get(v, float(inf)) - EPS: dist[v] cand queue.append((v, cand)) hops[a] dist return hopsring_expect这个函数值得说明节点在圆盘内均匀分布时径向概率密度正比于 r所以落在一档区间 [lo, hi] 内的期望距离是(2/3)(hi³-lo³)/(hi²-lo²)而不是简单地取环的上界。按 R30 的三档算期望半径分别是 6.67、15.56、25.33 米折成权重 0.222、0.519、0.844。如果图省事直接用环上界1/3、2/3、1每一跳都会被系统性高估多跳累积后又会形成一次新的偏置——这与整数跳数下的错误方向正好相反代价只是从“偏大”换成“偏小”。顺带做个自检三档的面积占比是 1/9、1/3、5/9按面积加权求平均权重得到 0.667正好等于均匀圆盘内的平均最近邻距离 2R/3。这说明权重取法是自洽的。EPS和H_MAX是这一段工程可用性的关键。EPS太小会让洪泛迟迟不收敛太大会让真正的改善被丢掉经验值是链路权重最小间隔的 1/10 左右H_MAX则直接决定误差累积的上限一般取网络直径的一半上下再大就没有信息增益了。4. 跳距加权为什么不能只信最近锚节点自报的那一个 HopSize分数跳数修好了分母接下来要修的是那个标量。原始算法里未知节点把“跳数最小的锚节点”的 HopSize 当作全网的尺子等于默认了网络各向同性。改成加权之后每个锚节点贡献一个尺度估计节点按可信度把它们融起来再往下到解算层还要对每条距离估计再加一层权重。4.1 三种权重来源跳数、残差、几何跳数权重是最容易实现的w_ij 1/h_ij。跳数越大路径绕行的机会越多d/h偏小越严重短跳对给出的比值更接近真实的每跳推进距离理应占更大比重。同时要用一个hop_cap做截断把 h 超过阈值的锚节点对整体剔除避免一条绕了十几跳的路径主导整个尺度估计。残差权重要更精细一些对每个锚节点做留一法估计——用它和其余锚节点的距离估计反解自己的位置再与已知真坐标比较得到残差。残差大的锚节点说明它周围的跳数与距离关系不正常可能处在空洞边缘在后续融合中降权。这一步需要多一轮计算但对非均匀部署的鲁棒性提升明显。几何权重放在解算层权重矩阵的对角元除了体现距离估计的方差还可以乘上一个与锚节点构型相关的因子。判断构型好坏最直接的办法是看AᵗWA的条件数一旦超过阈值比如 1e4就说明锚节点接近共线此时任何微小的距离误差都会被放大成米级偏移宁可退回等权或者剔除贡献最小的那个锚节点。4.2 为什么 WLS 的权要取 1/h²加权最小二乘的目标是最小化 Σ w_k (‖p - a_k‖ - d_k)本文还有配套的精品资源点击获取
简介面向无线传感器网络定位研究者的DV-Hop改进算法仿真材料围绕多通信半径与跳距加权策略降低误差传播、提升节点定位精度适合WSN课程设计、算法复现与参数对比等场景的高年级学生和开发人员参考。压缩包共5个文件约66KB包含1个Matlab脚本、1份Markdown算法说明、1个txt代码说明以及2个fig图形文件分别呈现网络节点分布与定位误差结果便于快速理解实验设置和效果。已有787人学习下载。读者可据此复现传统DV-Hop与改进算法的仿真流程查看多通信半径设置、跳距加权计算及误差统计的实现细节并结合图形结果调参、评估平均定位误差与算法复杂度形成可扩展的实验记录。1. 整数跳数的代价一个 hop 计数能吞掉几米定位精度在 WSN 节点定位里DV-HOP 属于对硬件最不挑的一类不用测距、不用时钟同步仅靠洪泛出来的跳数就能把未知节点大致定位在图上。但它有一个反直觉的毛病——误差是系统性偏置并非随机抖动两个节点明明只隔 12 米洪泛出来却是 1 跳算法按“平均每跳 28 米”相乘计算坐标立刻偏离几米。多通信半径与跳距加权优化改的正是这两个乘法因子一个把整数跳数细分成 1/3、2/3 跳另一个不再依赖单个锚节点自报的平均跳距。搞懂这两处就能明白 DV-HOP 的精度上限究竟卡在哪里。2. DV-HOP 的三段式骨架误差是在哪一步被写进去的原始 DV-HOP 的结构并不复杂三个阶段各自清晰。问题在于每个阶段都会引入一种形态不同的误差而且它们会互相叠加第一段把几何距离压缩成整数拓扑量第二段用一个标量去代表全网的尺度第三段则用最小二乘把前两段的偏差再放大一遍。要谈改进得先把这三处误差的来源和形态拆开看否则改动就会落在不该动的地方。2.1 最小跳数洪泛跳数是一个被压缩过的距离阶段一的动作很朴素每个锚节点广播一条包含自身 ID、坐标和hop1的信标收到信标的节点记录下来把hop1后继续转发同一条信标只保留最小跳数。本质上是在无向图上做一次 BFS得到的h(u, a)是图上的最短跳数。这里的核心事实是跳数属于拓扑量并非几何量。同样记作 1 跳实际距离可以是 2 米也可以是 29 米通信半径 30 米的前提下。两个节点都记“到锚节点 1 跳”它们与锚节点之间的真实距离可能相差 25 米以上。这就是量化误差的根源把连续的距离轴切成以 R 为宽度的区间每个区间里只留一个代表值。更麻烦的是跳数会被网络形态扭曲。部署区里的空洞、边界、障碍物都会让最短路径绕行形成“弧长远大于弦长”的情形而在锚节点密集、节点分布均匀的区域路径又接近直线。同一个h值在两种区域代表的物理长度能差出三四成。洪泛本身没错它只是把一个各向异性的量硬编码成了一个各向同性的整数。2.2 平均跳距的估计锚节点自报的 HopSize 天生偏小阶段二让锚节点自己算一个尺度因子HopSize_i Σ_{j≠i} d_ij / Σ_{j≠i} h_ij分子是锚节点 i 与其它锚节点 j 之间的直线弦长分母是它们之间的最小跳数。可以把这段比值理解为“用弦/跳 去近似弧/跳”。当路径绕行时弦/跳 明显小于实际每跳的弧长当两个锚节点几乎直线可达时两者才接近。关键在于第一个锚节点的跳数 h_ij 越大绕行的机会就越多比值偏小的程度也越显著。因此不同锚节点算出来的 HopSize 并不相等锚节点稀疏的一侧其 HopSize 往往明显小于密集区域。而未知节点侧的规则更粗糙大多数实现直接取“跳数最小的那个锚节点”的 HopSize用一个标量去覆盖全网所有方向。位于远端的节点相当于借用了一个由别人测得的尺度来衡量自己的距离多跳累积之后估算距离会出现整体性偏移最终解算出的坐标向网络质心收缩。这就是 DV-HOP 在很多复现里“整体偏内”的原因。2.3 极大似然解算误差是怎么被 A 矩阵的条件数放大的阶段三拿到每个锚节点的估算距离后常规做法是把非线性方程组线性化。以第 n 个锚节点为参考把第 k 个方程减去参考方程二次项被消掉2(x_k - x_n)·x 2(y_k - y_n)·y d_n² - d_k² x_k² - x_n² y_k² - y_n²写成A·p b后用(AᵗA)⁻¹Aᵗb求解。这一步之所以危险是因为A只由锚节点之间的相对位置决定它完全不关心距离估计准不准。当参与的锚节点接近共线时AᵗA的最小特征值趋近于 0b里哪怕只有几十厘米的误差解出来的坐标也可能偏移到部署区外面去。把三个阶段串起来看误差的传导路径就清楚了整数跳数贡献了一个上限为 R 的量化误差单一 HopSize 贡献了一个方向性偏置最小二乘则在几何条件差的时候把前两者一起放大。下面的基线实现就是这三处误差的集中体现import numpy as np from collections import deque def dvhop_baseline(adj, anchors, R): adj: 邻接表; anchors: {id: (x, y)}; 返回未知节点估计坐标 # 阶段一每个锚节点做一次 BFS得到全网到它的最小整数跳数 hops {aid: bfs_hops(adj, aid) for aid in anchors} # 阶段二锚节点用其它锚节点的直线距离 / 跳数估自己的平均跳距 hop_size {} for i in anchors: num den 0.0 for j in anchors: if i j or hops[i].get(j, 0) 0: continue num np.linalg.norm(np.subtract(anchors[i], anchors[j])) # 弦长 den hops[i][j] # 整数跳数 hop_size[i] num / den # 阶段三未知节点取跳数最少的那个锚节点的 HopSize换算距离后求解 est {} for u in adj: if u in anchors: continue aid min(anchors, keylambda a: hops[a].get(u, np.inf)) d {a: hop_size[aid] * hops[a][u] for a in anchors if u in hops[a]} est[u] trilateration(anchors, d) return estbfs_hops是标准的层序洪泛trilateration就是上面那套线性化最小二乘。三处误差点分别是hops的整数值、hop_size的单标量性质以及trilateration对锚节点几何分布的完全依赖。后面两章要改的就是前两处。3. 多通信半径把 1 跳拆成 1/3 跳量化误差从哪省下来最直接的改进思路是增加跳数的取值粒度。既然“1 跳”这个分辨率太粗那就让一条链路按距离远近折算成 1/3 跳、2/3 跳或 1 跳。这样分母从整数变成小数Σd/Σh的偏置会明显减小——因为分母更接近真实的路径长度除以 R而不是被向上取整的跳数。3.1 从“听得到”到“听多响”分数跳数的两种判定路径要让接收端知道自己落在哪一档工程上有两条路。第一条是RSSI 阈值法节点只按最大半径广播一次接收端测量收到的功率拿它去比阈值。按对数距离路径损耗模型PL(d) PL(d₀) 10α·log₁₀(d/d₀)当 α 取 2.53、半径 30 米、分档边界设在 10/20/30 米时相邻档之间对应的功率差约为10α·log₁₀2也就是 7.59 dB。这个间隔听起来够宽但实际信道的 RSSI 抖动多径、遮挡、天线方向图不圆常见 46 dB 量级落在边界附近的节点判错概率并不低。低成本换来的是一部分链路权重被系统性地判错。第二条是多功率广播法节点依次以 R/3、2R/3、R 三档功率各发一次报文里带上当前档位接收端记录“我听到的最小档位”。听到 R/3 档说明距离在 10 米内只听到 R 档说明在 2030 米。这种方式不依赖 RSSI 标定判定只取决于能否正确解码代价是发送次数变成 k 倍接收唤醒次数也同步上升。这个能耗账留到最后一章细算先记住它是一条确定的取舍。3.2 分数跳数怎么在洪泛里传播单调性、容差与收敛改成分数之后洪泛规则要跟着动。每个节点维护dist[a]表示到锚节点 a 的累计小数跳数收到邻居 u 转发来的(a, h_u)时按本跳的链路权重w计算cand h_u w只有当cand明显小于当前记录时才更新并继续转发。这里有个容易被忽略的细节整数跳数每次严格 1更新次数天然有界分数跳数下同一条信标可能以 0.02 的改善幅度来回刷新节点反复入队仿真里表现为“跑很久不收口”。所以必须加两道闸一个更新阈值EPS改善小于它就直接丢弃一个跳数上限H_MAX超过上限的锚节点不参与后续解算同时也限制了误差的累积长度。这两道闸加与不加运行时间能差一个数量级。从图论角度看这个过程等价于在带权图上跑最短路权值在 (0, 1] 区间内由接收端根据听到的功率档位决定。用队列做松弛Bellman-Ford 的思路比 Dijkstra 更省事因为权值在传播过程中才确定很难维护优先队列的不变式。3.3 代码分级跳数与环内期望半径import numpy as np from collections import deque R 30.0 LEVELS [R / 3, 2 * R / 3, R] # 三档发射半径 EPS 1e-3 # 更新阈值压制小数抖动的反复刷新 H_MAX 12 # 跳数上限超出的锚节点直接不参与解算 def ring_expect(level): 节点均匀分布在环带内时的期望半径比直接用环上界更接近真值 lo LEVELS[level - 1] if level 0 else 0.0 hi LEVELS[level] return (2.0 / 3.0) * (hi**3 - lo**3) / (hi**2 - lo**2) def link_weight(level): level: 本跳听到的最小功率档下标0 表示连 R/3 档都收到了 return ring_expect(level) / R def flood_fractional(adj, anchors): hops {} for a in anchors: dist {a: 0.0} queue deque([(a, 0.0)]) while queue: u, h queue.popleft() if h H_MAX: continue for v, level in adj[u]: # 邻居 该链路的接收档位 cand h link_weight(level) if cand dist.get(v, float(inf)) - EPS: dist[v] cand queue.append((v, cand)) hops[a] dist return hopsring_expect这个函数值得说明节点在圆盘内均匀分布时径向概率密度正比于 r所以落在一档区间 [lo, hi] 内的期望距离是(2/3)(hi³-lo³)/(hi²-lo²)而不是简单地取环的上界。按 R30 的三档算期望半径分别是 6.67、15.56、25.33 米折成权重 0.222、0.519、0.844。如果图省事直接用环上界1/3、2/3、1每一跳都会被系统性高估多跳累积后又会形成一次新的偏置——这与整数跳数下的错误方向正好相反代价只是从“偏大”换成“偏小”。顺带做个自检三档的面积占比是 1/9、1/3、5/9按面积加权求平均权重得到 0.667正好等于均匀圆盘内的平均最近邻距离 2R/3。这说明权重取法是自洽的。EPS和H_MAX是这一段工程可用性的关键。EPS太小会让洪泛迟迟不收敛太大会让真正的改善被丢掉经验值是链路权重最小间隔的 1/10 左右H_MAX则直接决定误差累积的上限一般取网络直径的一半上下再大就没有信息增益了。4. 跳距加权为什么不能只信最近锚节点自报的那一个 HopSize分数跳数修好了分母接下来要修的是那个标量。原始算法里未知节点把“跳数最小的锚节点”的 HopSize 当作全网的尺子等于默认了网络各向同性。改成加权之后每个锚节点贡献一个尺度估计节点按可信度把它们融起来再往下到解算层还要对每条距离估计再加一层权重。4.1 三种权重来源跳数、残差、几何跳数权重是最容易实现的w_ij 1/h_ij。跳数越大路径绕行的机会越多d/h偏小越严重短跳对给出的比值更接近真实的每跳推进距离理应占更大比重。同时要用一个hop_cap做截断把 h 超过阈值的锚节点对整体剔除避免一条绕了十几跳的路径主导整个尺度估计。残差权重要更精细一些对每个锚节点做留一法估计——用它和其余锚节点的距离估计反解自己的位置再与已知真坐标比较得到残差。残差大的锚节点说明它周围的跳数与距离关系不正常可能处在空洞边缘在后续融合中降权。这一步需要多一轮计算但对非均匀部署的鲁棒性提升明显。几何权重放在解算层权重矩阵的对角元除了体现距离估计的方差还可以乘上一个与锚节点构型相关的因子。判断构型好坏最直接的办法是看AᵗWA的条件数一旦超过阈值比如 1e4就说明锚节点接近共线此时任何微小的距离误差都会被放大成米级偏移宁可退回等权或者剔除贡献最小的那个锚节点。4.2 为什么 WLS 的权要取 1/h²加权最小二乘的目标是最小化 Σ w_k (‖p - a_k‖ - d_k)本文还有配套的精品资源点击获取
