对数正态模型参数变异性分析

接收信号强度测量的对数正态模型表征

1. 引言

经典的路径损耗模型通常用于表征信号从发射机到接收机传播过程中的平均大尺度损耗和阴影效应，可表示为([1], p. 139)
PL(d)= PL(d0)+ 10 n log(d/d0) + ε, ε ∼ N(0, σ²) (1)
其中PL(d)是作为发射器‐接收器(T‐R)距离d的函数、以分贝(dB)为单位测量的平均路径损耗，log表示以10为底的对数，PL(d0)是在参考距离d0,处的路径损耗，n为常数
J. Sens. Actuator Netw.2020，9，12；doi:10.3390/jsan9010012 www.mdpi.com/journal/jsan
本文档由 funstory.ai 的开源 PDF 翻译库 BabelDOC v0.5.10 (http://yadt.io) 翻译，本仓库正在积极的建设当中，欢迎 star 和关注。
J. Sens. Actuator Netw.2020, 9, 12 2 of 26
称为“路径损耗指数”，其值取决于具体的传播环境，而 ε是均值为零、方差为 σ²的正态分布随机变量，用于描述阴影效应及其他不确定性来源。

公式（1）被称为一种特定站点 模型，因为其参数 n和 σ需要根据在特定站点收集的数据进行估计，然后可用于该站点的信号预测。实际上，鉴于该模型的通用性，n和 σ的值通常针对某类站点进行报告，并在其他相似环境中重复使用。例如，在一项经典的具有影响力的研究中，西德尔和拉帕波特于20世纪90年代初开展了一项广泛的测量活动，为不同类型的建筑 [2]提供了 n和 σ的确定性值。在此值得指出并强调的是，公式（1）旨在对信号穿过较为复杂环境时产生的路径损耗进行建模，特别是它不包含任何硬件相关效应。事实上，用于估计公式（1）中 n和σ的测量活动均采用高质量的专业无线电设备和高度全向的天线，以尽量减少硬件在实验中的影响。

接收机在给定的收发距离下测得的信号强度可以通过从发射功率中减去路径损耗（公式(1)），并考虑发射机和接收机增益来直接计算，即
z(d)= Pt+ Gt+ Gr −PL(d0) ︸ ︷︷ ︸
z0
−10 n log(d/d0)+ ε (2)
= z0 −10 n log(d/d0)+ ε, (3)
其中 z(d)表示接收信号强度，Pt为发射功率，Gt和 Gr分别为发射机和接收机的内部电路、电缆和天线的增益。这些独立因素通常被归入一个常数项z0,中，该常数项实际上表示在距离d0处测得的接收信号强度。

此后，我将z0记为参考功率。在公式(3)中，硬件的影响被明确地纳入到z0中。注意，至少在理论上，这些影响不会改变n的值。

公式(3) 可能是科学文献中使用最广泛的接收信号强度‐距离模型，并且在无线传感器网络中的定位中被广泛使用。它非常流行，有时甚至直接被称为“对数正态（RSS‐距离）模型”，为简洁起见，本文其余部分也将如此称呼。它是一种简单的径向模型，灵感来源于理论上的弗里斯公式以及经验性的奥村‐哈塔和COTS‐231模型（这些模型都具有相同的结构 [1,3–8]），其参数直接从实验数据中选取。该模型形式简单，隐藏了无线电传播现象的所有复杂细节，仅通过一个基本方程来预测信号强度的行为。理论以及某种程度上的实验测量建议使用一条直线来建模均值，用一个正态分布的随机变量来建模“其余部分”。然而，是否采用这种代数结构，往往更多基于数学上的便利性，而非该模型正确预测接收信号强度的实际能力。

总体而言，对数正态模型是一个数学上经验化、过度简化且极为方便的模型，但不一定准确。

在无线传感器网络（WSN）应用中使用对数正态RSS距离模型带来了另一组特有的挑战。首先，无线传感器网络通常由低成本节点/设备组成，不同单元之间的无线电收发器、天线和电缆可能存在显著差异。此外，在非均匀环境中，局部环境的特性可能对各个节点对之间通信所依赖的（可能是大量的）通信信道产生不同的影响。这种硬件变异性以及环境非均匀性必然会影响模型参数，其数值将取决于模型识别过程中用于收集训练数据的特定（通常是成对的）节点及其在实验中的具体位置。因此，对数正态模型参数在无线传感器网络中自然表现出一定程度的变异性。然而，一旦其参数被确定
J. Sens. Actuator Netw.2020, 9, 12 26 的 3
估计时，通常使用相同的模型来预测网络中任何节点发送并由任何其他节点对接收的信号的接收信号强度。

尽管在无线传感器网络中使用经典对数正态模型存在特有的挑战，但到目前为止，参数的变异性及其重要性在科学文献中尚未受到足够关注。显然，其最终影响和相关性取决于该模型所应用的具体领域/应用场景。在无线传感器网络中的定位领域，参考文献 [9]已通过实验表明：（a）最大似然（ML）定位对模型参数的正确选择可能非常敏感；（b）涉及一个或多个节点对的模型辨识方法可能导致显著不同的定位误差。这些结果至少在定位领域中赋予了研究模型参数变异性及其成因以重要意义。

本文的主要目标是：(a) 揭示并表征这种变异性，以及 (b) 解释影响该变异性的主要因素及其作用方式。为此，我将在第2节所述的三种不同环境中，借助作为移动信标的机器人收集的空间丰富的数据进行分析，围绕相关讨论和实证证据展开论述。在第3节介绍了模型辨识过程的详细信息后，后续各节将分别阐述相关的讨论、分析和贡献。

众所周知，对数正态模型存在设定错误，因为它未包含影响底层传播现象的相关解释因素，例如特定障碍物的影响。这种设定错误的部分原因在于其简洁的代数结构所带来的限制：由于该模型是线性的，它假设在所有收发距离下具有相同的RSS衰减速率；由于其具有径向性，它假设预测结果仅依赖于收发距离，而不依赖于信号的发射/到达角度，也不依赖于环境影响的角度依赖性。径向性和线性（将在第4节进一步讨论）是由其代数形式所决定的结构性模型局限性，这种形式假设了相对均匀的硬件和环境。这种形式上的简洁性体现了模型的美感和实用性，但最终也付出了代价：该模型通常无法充分解释观测数据，尤其是在非均匀环境中收集的数据。

对数正态模型在准确表示真实观测数据方面的局限性可能导致接收信号强度预测中的系统偏差以及模型中不同类型的关联性，即（a）阴影效应中的空间相关性，这一主题在文献中已被广泛研究（参见例如 [10]及其参考文献），以及（b）如本文所示的模型参数之间的相关性。后一种相关性的存在使得经典假设不再成立，即n和z0分别仅依赖于环境和硬件相关因素：由于底层传播现象的复杂性和模型的结构性限制，它们实际上是相互关联的。

第 5节展示了一项定量实证研究，表明在无线传感器网络中，使用特定站点训练数据估计的模型参数值不仅在不同地点采集时可能表现出显著的变异性，即使在同一地点使用不同节点和/或在不同位置获取时也可能表现出显著的变异性。该研究还报告了基于不同测试和环境的实验数据计算出的模型参数的均值和标准差。根据所呈现的实验证据，第 6节和第 7节分别重新审视了当对数正态模型应用于无线传感器网络时硬件和环境的影响，强调了在（a）参数为确定性值，以及（b）n和 z0相互独立的经典假设下无法解释的影响。我在第 8节进一步通过实验证明，n和 z0可能存在强烈的相关性，并提供了它们的相关性值。

本文提供的证据对对数正态模型在无线传感器网络中的典型使用方式提出了挑战。首先，其参数的变
异性表明，这些参数更适合用随机变量而非确定性变量来表示。此外，n和z 0之间的相关性表明，它们应当是联合分布的，并共同考虑硬件和环境相关因素。鉴于所有这些
J. Sens. Actuator Netw.2020, 9, 12 26 中的第 4 个
本文在第9节中论述，如果将模型参数视为反映上述变异性以及n与z0之间依赖关系的随机变量，则预测结果可能更加真实。我进一步认为，作为自然的结果，将这些因素纳入测量生成过程，可使得测量值信息更丰富、偏差更小，从而基于所得到的更具代表性的模型开展的研究能够得出更合理的结果。

尽管本文所用的实验设置具有特定性，但此处报告的参数统计结果可作为实践者在真实（但仍为实验室可控）的无线传感器网络部署中可能遇到情况的示例，并可为后续研究提供指导方针。重现本文所示结果所需的数据和代码已公开提供于参考文献[11]中。

2. 实验设置

首先简要说明本文相关的实验设置（详细描述见[12],第1.4节）。在这些实验设置中，我们使用一个机器人（见[13]）作为移动信标。当机器人穿越不同选定的环境时，会自动以无线电模块允许的最大功率发送数据包。这些数据包被安装在1米高杆上、随机固定位置部署于不同环境中的18至20个无线传感器网络节点接收，相应的接收信号强度被存储用于离线分析。该机器人具备同步定位与地图构建能力，因此其位置始终已知。因此，接收信号强度测量值可在任意时刻与机器人的位置相关联。此外，固定节点所在的杆在机器人生成的地图中表现为障碍物，因此其位置可准确估计，误差在几厘米之内。这样，对于每个 RSS测量值，我们都有发射机和接收机的位置，从而可以计算出收发距离。

机器人和网络中的节点均配备了使用2.4 GHz ISM频段的TI CC2420符合802.15.4标准的无线电模块。

通信协议采用由主节点协调的令牌传递机制，其中每个数据包被分配一个唯一的传输时隙。这消除了数据包碰撞和相互干扰的可能性。该协议使机器人以大约每秒十个数据包的速率，使用一组预定义的不同空闲频率/信道依次向各个节点传输数据包。因此，每个接收节点每秒产生约十个RSS测量值，每个测量值对应一个不同的信道。信道选择在每次实验前手动完成；在扫描所有可用信道后，仅选择低噪声的信道用于实验。对于各个节点，测量值在所有信道上以及机器人每行进25厘米进行一次平均。这减小了快衰落的影响，并沿机器人轨迹标准化了有效测量密度。数据包的有效载荷包含了一组RSS测量值以及与前一轮通信相关的节点标识符，因此其长度可变，大约在30至50字节之间。

实验数据在三种具有不同传播特性的环境中收集（见图1），这些环境代表了广泛的应用场景：（a）一个大型篮球场（见图1a），具有连续清晰的视距通信（LoS）；（b）一栋建筑的大堂（见图1b），一个较大的开放空间，反射较强，并存在一些大型且主要的障碍物（例如楼梯、大型植物盆和一个大型金属门）；（c）一个典型的现代办公室（见图1c）。在每种环境中均进行了三次独立测试，每次测试持续约七分钟。在每次测试中，机器人沿随机轨迹移动，旨在大致覆盖相同的感兴趣区域（AoI）。（具体哪些区域被视为关注区域及其原因取决于具体应用，在本文中并不相关。例如，读者可以设想一次侦察任务，机器人需要与无线传感器网络中的其他节点一起覆盖特定区域并收集上下文信息。）

J. Sens. Actuator Netw.2020, 9, 12 26 中的 第 5 个
(a) (b) (c)

根据不同环境下的三条轨迹对应的地图按照参考文献[14]中的方法进行匹配，以获得每个环境的唯一参考地图和全局坐标系。

总之，记录的数据包含每个环境中由18到20个节点（接收器）在已知固定位置采集的三组RSS测量值，每次测量均可关联到机器人（发射机）的位置，从而能够计算出真实的收发距离。

3. 模型识别

设 z=(z1,…,zK) t为在收发距离 dk 处获取的 K 个随机RSS观测值组成的向量，其中 k={1,…, K}，
上标 t表示转置。根据模型(3)，我们可以写出
$$
\begin{pmatrix}
z_1 \
z_2 \
\vdots \
z_K
\end{pmatrix}
=
\begin{pmatrix}
-10 \log(d_1/d_0) & 1 \
-10 \log(d_2/d_0) & 1 \
\vdots & \vdots \
-10 \log(d_K/d_0) & 1
\end{pmatrix}
\begin{pmatrix}
n \
z_0
\end{pmatrix}
+
\begin{pmatrix}
\varepsilon_1 \
\varepsilon_2 \
\vdots \
\varepsilon_K
\end{pmatrix}
= A\theta + \varepsilon.
$$
(4)

完整的线性回归涉及最小化平方误差和
J(θ)=(z−Aθ)t(z−Aθ). (5)

使（5）最小化的解是普通最小二乘（OLS）估计器
θ̂=(AtA)⁻¹At z. (6)

我们仍需计算参数 σ 以完整定义该模型。这可以通过残差的样本标准差来估计。
σ̂= √(1/(N−2)) J(θ̂).
(7)

图2展示了在三个环境中的每个环境中收集的测量值的典型RSS‐距离散点图和残差直方图及其相关模型的示例。图 2a 显示了篮球场中节点的典型示例。我们可以看到，对数距离模型较好地拟合了RSS的趋势。残差也接近正态分布，尽管总体上表现出略微偏向负RSS值的倾向。在大厅中，行为更具异质性。通常情况下，对数距离模型仍然是径向平均值的良好预测器，但残差往往明显不符合正态分布。我们观察到
与篮球场中相同类型的偏度，但通常更为显著。图 2b 显示了一个代表性示例。图2c
J. Sens. Actuator Netw.2020, 9, 12 26中的6
显示了一个办公室模型的示例。我们可以观察到平均值的斜率和标准差有随着距离增加而增大的趋势。残差很少呈正态分布，并且经常呈现多峰分布。

4. 结构限制

现在让我们回顾一些限制对数正态模型准确预测接收信号强度的关键因素，以及这些因素如何影响模型本身。当在无线传感器网络中使用对数正态模型时，这些因素尤为相关。

4.1. 径向性

对数正态模型是径向的，意味着其预测仅依赖于收发距离。这一限制使得径向模型在均匀环境（例如，无障碍物）和使用全向天线时表现最佳。在实际无线传感器网络部署中，障碍物的存在几乎不可避免。此外，通常使用低成本小型天线，其辐射模式实际上表现出一定程度的方向性。这些因素对径向模型构成了挑战，使其无法正确解释观测数据。因此，该模型被称为设定错误，因为它缺少对潜在现象的重要解释因素。结果， ε式（3）中的[15]变得空间相关。定位算法需要考虑这种相关性，否则可能会进一步增加偏差并产生过度自信的位置估计。

对数正态模型的径向性对其作为接收信号强度预测器的适用性的影响，可以通过环境的（相对）均匀性和天线的全向性来评估。

4.1.1. 环境均匀性的影响

当存在障碍物时，其地理分布、尺寸和电特性会影响模型预测接收信号强度的效果。径向模型适用的一个主要因素是传播环境的均匀性。高度均匀的环境在宏观层面上不会偏向任何特定的传播方向。因此，随着收发距离的增加，障碍物的综合效应表现为接收信号强度的衰减，且几乎不依赖于方向。另一方面，非均匀环境更可能在总体尺度上产生有利传播方向，这种效应越显著，径向模型的适用性就越低。

无线传感器网络通常在相对较小的范围内运行。例如，我们的节点在室内实现的最大收发距离约为 20米。在此范围内，单个主要障碍物（如金属墙）可能会显著影响整个目标区域的传播。一般来说，由于障碍物的相对分布不同，节点在环境中的具体位置可能会极大地影响传播条件。因此，在这种小规模网络中，环境的局部特征可能对传播信道以及模型的适用性产生深远影响。

径向模型是否有效取决于其在目标区域内预测观测数据的能力，最终取决于该模型所应用的具体需求。

在一个典型的无线传感器网络节点位置估计场景中，整个目标区域本质上是无线传感器网络覆盖的区域，也就是模型需要解释观测数据的区域。各个节点相对于目标区域的位置必然各不相同；然而，模型的任务仍然是尽可能准确地预测来自所有节点的观测数据。

由于典型的无线传感器网络规模下室内环境的相对不均匀性，节点在部署中的特定位置将唯一地影响每个收发器对的通信信道。由于这些异质性，单一的对数正态模型必须做出全局折衷，以试图解释来自所有节点的观测数据。在[9]中，探索了为每个接收节点使用一个独立模型的可能性，这一范式被称为使用个体模型（IMs）。每个IM只需解释与其关联节点相关的观测数据。这种模型的空间特化使得与使用单一通用模型（CM）相比，所有节点的整体接收信号强度预测更优，从而可实现更优的位置估计[9]。然而，当在非均匀环境中使用时，它并未完全解决径向模型固有的设定错误问题。

J. Sens. Actuator Netw.2020, 9, 12 26中的8

4.1.2. 天线方向性

由于其径向性，对数正态模型假设所使用的天线是完全全向的。然而，无线传感器网络通常由低成本的小型节点构成，其天线具有一定程度的方向性。因此，接收信号强度会成为发射机与接收机之间相对朝向的函数。对数正态模型无法解释这一现象，导致接收信号强度预测再次出现偏差，而模型会对此进行整体补偿。这种综合效应体现在模型参数上，这些参数必须发生变化以适应模型并未明确考虑的测量值。最终，这将导致依赖该模型的位置估计器产生偏差。在第6.1节中，我们将定量研究天线方向性如何影响模型参数。

4.2. 线性

对数正态模型的另一个结构性限制是其相对于对数距离的线性。由于这种线性，该模型假设接收信号强度（RSS）的衰减速率是恒定的。然而，在早期针对蜂窝移动无线电在杂乱环境中的大尺度路径损耗进行表征的实证研究中，观测数据有时呈现出接收信号强度（RSS）的衰减速率随对数距离增加而上升的模式。对此存在多种理论解释。例如，在城市场景中，Xia从菲涅尔区被遮挡的角度进行了解释[16],，而在室内复杂环境中，Devasirvatham则从障碍物吸收效应的角度进行了解释[17]。我们在实验场景中也观察到了类似的模式，尤其是在办公室采集的测量值中。图3展示了与位于办公室的一个节点相关的接收信号强度‐距离测量对的散点图。我们可以观察到数据点的分布趋势略呈弯曲，因此一条直线（虚线绿色线）并不是最适合拟合这些数据的函数。作为对比，图中还包含了一条基于对数距离的三阶多项式拟合结果 （实线红色线），该曲线能更好地描述观测到的趋势。线性预测器在不同距离范围内表现出三种不同的偏差特征：在短距离处为正偏差，中间距离为负偏差，长距离处再次为正偏差。线性模型整体上进行了补偿，但导致在所有距离上都存在系统性的偏差。

除了接收信号强度预测存在系统偏差外，该模型无法解释观测趋势的曲率，这会导致模型参数之间的相关性。这种曲率可能由多种因素引起。首先，对数正态模型不能很好地描述较短收发距离下的情况。

（需要记住的是，弗里斯公式和式（1）中的路径损耗模型，以及由此导出的式（3）中的对数正态模型，仅适用于发射天线的远场区域，并且要求收发距离远大于载波波长）。由于发射功率是有界的，当收发距离趋近于零时，接收信号强度‐距离散点图应趋于一个固定值。在对数距离尺度上，这意味着当对数距离趋近于 −∞时，散点图应变得水平。因此，对应实际样本的散点图在较短距离处呈现弯曲趋势。实践中，发射机与接收机可能并不总是处于如此短的距离，但如果出现这种情况，在无线传感器网络中这一效应可能变得显著，因为其最大通信距离相对较短。其他导致较大收发距离下出现曲率的明显因素包括环境杂乱度和环境的不均匀性，这些因素倾向于使斜率随距离增加而增大。

由于曲率的影响，对数正态模型中n与z0之间的相互关系可以通过两种对抗效应来解释，现结合图3
进行讨论。首先注意，对数正态模型的参考点为(d0,z0)，其中d0,为任意通用值，而z0依赖于d0。通常采用 d0= 1 m作为参考距离，在这种情况下，参考点对应于对数距离原点处的纵坐标（即d0= 10⁰）。

考虑一个节点在不同环境中以相同的发射功率进行传输，导致RSS‐距离散点图呈现出增加的曲率。

由于发射功率相同，且如前所述，在所有情况下，当收发距离减小时，接收信号强度的趋势大致趋近于该发射功率。因此，可以想象这些散点图在该点固定，即在短收发距离处它们均从此点出发。随着距离的增加，曲率越高，接收信号强度的趋势越低。

当对这些散点图进行对数正态模型拟合时，有两个相互对立的因素会以不同方式影响z0的值。首先需要注意的是，曲率越高，n的值就越大。现在，一方面，增加的曲率（即n值增大）会导致所有收发距离下的平均接收信号强度降低，从而使得z0趋于减小。另一方面，由于该模型在结构上受限于其线性特性，散点图的曲率增加将根据z0和d0的不同取值产生不同的影响。当d0接近 10⁰= 1时，z0的值将接近原点处的纵坐标，而该值会随着曲率（即n的值）增加而明显增大。然而，对于相对较大的d0值（例如，d₀= 10¹在图3中），模型线性会导致当z0随n增加而减小。

先前描述的效应必然在n和z0之间引入相关性。此外，这种相关性应取决于d0的选择。正如我们将在第8节中看到的，在我们的实验设置中确实如此，我们观察到的相关系数高达0.9。

5. 模型参数的变异性

如前所述，在实际无线传感器网络部署中，由于障碍物的存在导致环境的相对不均匀性，使得每对通信节点之间可能产生独特的传播特性，具体取决于它们的特定位置。此外，这些网络通常由大量低成本节点组成，由于制造过程中的限制，即使来自同一制造商且型号相同的节点，其无线电模块也可能存在细微差异。再者，即使使用所谓的全向天线，节点的朝向也会影响接收信号强度，因为理想的全向天线并不存在。所有这些因素都会影响模型参数。

处理硬件差异的问题在现有文献中有时被称为硬件差异问题。当节点明显不同时（不同的型号和/或
J. Sens. Actuator Netw.2020, 9, 12 26 中的 10
制造商），很直观且明显的是，这些差异会影响接收信号强度。如何处理这一问题目前正处于指纹定位领域的积极研究中[18–21]。

在无线传感器网络中，由于节点来自同一制造商和相同的商用型号，这些微小差异通常被忽略。通常对所有节点使用相同的接收信号强度模型，并且没有采取特殊措施来应对这种变异性。此外，模型是通过使用同一对节点收集的数据来确定的。本节旨在举例说明在实际部署中，根据用于识别模型的特定节点对及其位置不同，模型参数可能表现出的变异性。这种变异性本质上与无线传感器网络中的硬件差异问题以及环境的相对不均匀性相关，这些关系将在后续章节中讨论。

通常，网络中的所有节点都使用一个接收信号强度‐距离模型来预测RSS测量值。回顾一下，我将这种模型称为通用模型（CM）。特定地点的通用模型则是旨在为所有相关节点在目标环境或AoI中最优地预测接收信号强度的模型。

特定地点的通用模型通常使用从目标区域内的节点对获得的接收信号强度测量值来确定，例如，将其中一个节点保持在固定位置，而将另一个节点放置在不同的位置。这在蜂窝网络中是典型的流程，其中固定节点是基站，另一个是移动终端。在无线传感器网络中，由于存在许多可供选择的节点，并且知道这些节点之间存在微小差异，我们不禁要问：应选择哪一对节点来进行训练数据采集？由于该模型需要解释来自所有节点的观测数据，最终理想的情况是使用来自所有节点的数据来估计模型参数。

在我们的实验中，我们有 N个节点在三种不同的环境中收集移动机器人发送的数据包的RSS测量值，这些节点位于固定位置。在每种环境中，我们通过三次测试收集了数据，其中机器人遵循了不同的轨迹 （见第 2节）。能够最优解释在单次机器人轨迹期间所有 N个节点收集的所有RSS测量值的最佳特定地点的通用模型，是通过使用与该测试相关的所有 N个数据集（每个节点一组RSS‐距离对）估计其参数得到的。在下文中，我将此模型称为该机器人轨迹的参考模型 ，并将其作为比较其他模型的基准。

除了使用通用模型（CM）来解释所有节点的测量值外，另一种方法是为每个节点单独建立一个模型，以预测该节点的观测数据。这些模型仅使用对应节点收集的测量值进行识别。我将此类模型称为个体模型 （IM）。由于节点各不相同且位于不同位置，研究IMs之间模型参数的变异性将有助于我们了解硬件 （HW）差异和环境非均匀性对模型参数的综合影响。接下来，我将在本实验设置所采集的数据基础上开展此项研究。

图 4展示了在每种环境中通过三条机器人轨迹收集的数据识别出的IMs和参考模型的参数值，以及利用每条机器人轨迹收集的数据计算出的参数经验分布。该图旨在直观地展示在实际无线传感器网络部署中可能遇到的模型参数变异性程度。上、中、下面板分别显示了与路径损耗指数（n）、参考功率（z0）和噪声标准差（σ）相关的信息。在每个面板中，不同环境的相关信息以不同颜色表示：篮球场用红色，大厅用绿色，办公室用蓝色。

面板被一条位于纵坐标原点的细黑色水平线分为上下两部分。每个面板的上部显示相应模型参数的经验分布，因此纵坐标具有概率密度单位。下部显示用于计算上部经验分布的模型参数值。这些值以下文所述的点的形式表示。横坐标在面板的上下两部分共用，其刻度值位于面板底部（下部下方）。
J. Sens. Actuator Netw.2020, 9, 12 26中的11

面板的下部包含三组彩色点，分别表示参考模型（粗点）和N个IMs（细点）在三种环境中的每条机器人轨迹对应的参数值。如前所述，红色、绿色和蓝色的点分别对应使用篮球场、大厅和办公室数据识别出的模型。每个点的水平位置（横坐标）表示其相关参数的值，垂直位置（纵坐标）仅用于在视觉上将属于同一条机器人轨迹的点分组：具有相同垂直位置的点属于同一条测试/机器人轨迹。因此，总共可以看到九组按垂直位置分组的点：每组对应一个测试/机器人轨迹和环境。相应地，在面板的上部有九个相关联的经验分布，每个点组/参数值对应一个分布。这些分布是通过核密度估计计算得到的，如参考文献[22]中所述（代码见参考文献[23]）。在所有情况下，参考距离的值均选择为d0= 1。表1列出了这些分布的主要统计信息以及参考模型的参数值。

图 4以可视化和定量的方式展示了一个示例，说明在实际无线传感器网络部署中，经典对数正态模型的参数不仅会因环境类型而变化，还会因用于模型识别的具体节点及其在（或多或少非均匀的）环境中的位置不同而产生变异性。总体上对环境类型的依赖性在科学文献中已受到相当多的关注。然而，该图清楚地表明，这并非影响参数的唯一相关因素，即使在同一环境中，参数值也可能发生显著变化。这一点由各组点的离散度以及它们相应经验分布的方差明确体现出来。这种变异性在文献中通常（如果不是总是如此） 被忽略，因此其后果未得到充分的研究、评估和应对。

本文的主要目标之一是揭示并表征这种变异性，解释影响它的主要因素及其作用方式。如前所述，这些因素是硬件变异性与环境非均匀性，图 4 展示了它们的综合累积效应。由于各种原因之间存在复杂的相互作用，准确量化各自的贡献相当复杂。在接下来的章节中，我将基于图 4 所呈现的证据，定性地论述这两个因素的影响。

6. 硬件的影响

考虑一个完全静态、均匀且各向同性的环境，例如自由空间，以及一组具有理想全向天线的完全相同的节点。在这种理想情况下，所有节点的模型参数值都将相同，其密度为狄拉克δ函数。路径损耗指数将仅取决于环境，在自由空间中其值恰好等于2。参考功率 z0 将仅取决于与硬件相关的因素：发射功率、传输线和天线的增益等。最后， σ 将很小，主要由热噪声引起。

现在，考虑使用实际节点，这些节点在电路、电缆和连接器以及通常处理接收信号强度（RSS）的任何内部电路上存在较小的硬件（HW）差异，但仍配备理想的全向天线并处于理想空间中。这些变异性来源的综合效应将导致节点之间的发射功率和接收功率不同，这会在每个RSS数据包中体现出来。
J. Sens. Actuator Netw.2020, 9, 12 26 中的 13
与收发距离无关（专门测量发射机和接收机变异性对信号强度影响的研究例如 [24–26]）。由于这种独立性，路径损耗指数不受影响，仅 z0会受到影响。因此，z0的概率分布函数（PDF）的离散度将增加。基于这一推理，在实际中，硬件因素被认为仅影响 z0，而不影响路径损耗指数。另一方面，路径损耗指数通常被认为仅依赖于环境因素。

关于 z0在图 4中，我们观察到以下现象。首先，平均值取决于环境。这显然与我们使用 d0= 1 m 作为参考距离有关，因为在不同环境中，由于 n的取值不同，该距离处的接收信号强度也不同。其次，从视觉上看，z0的经验分布在不同环境之间的离散度变化相较于 n和σ而言相对较小。表 1中给出的统计数据证实了这一点，其中我们看到，在环境变化时，n和 σ的标准差相对变化大于 z0。这表明z0受环境直接影响的程度小于其他模型参数，这与通用做法一致。

然而，仍有一些变异性无法仅通过硬件影响来解释。首先，尽管环境变化不是主要影响因素，但环境的变化确实会改变z0的离散度，并呈现出明显的规律：随着环境变得更加杂乱，离散度增加（见表1中的标准差值）。其次，即使在同一环境内的机器人轨迹之间，与同一节点相关的参数值也存在差异。为此，请在图4中比较同一环境下不同线条上的点。这些相对较小的变化可部分归因于天线的非理想性、环境非均匀性以及对数正态模型的线性结构限制所引起的n和z0之间的相关性，这些问题将在后续章节中讨论。

6.1. 天线方向性的影响

让我们暂时回到具有不同节点和完全均匀各向同性环境的半理想设置，并引入非完全全向的天线，使其在硬件上更接近实际情况。此时，接收功率不仅取决于收发距离，还取决于发射机和接收机各自的朝向。
因此，移动接收机在距离相同的不同位置测得的接收信号强度通常会有所不同。原则上，任何模型参数都可能发生改变，尽管显然某些参数比其他参数更容易受到影响。一个直接的结果是，为了拟合观测数据， σ必须增大。这种增大的程度在各个IMs中未必相同，因此 σ经验分布的离散度也会增加。天线方向性对 z0和n的影响在一般情况下并不容易评估；然而，根据上述推理，我们预计它们的分布也会变得更加离散。
这在一定程度上可以解释z0的变异性，而这种变异性不能完全归因于其他与硬件相关的因素。

上一段表明，尽管程度不同，天线的方向性可能会影响所有模型参数。我们现在将使用实验数据来验证这一说法。在实践中量化这种影响非常复杂，因为需要能够在相同位置使用具有已知辐射方向图的不同定向天线重复相同的实验。相反，我们将离线引入不同模拟天线的影响，就像这些天线在实验期间安装在机器人上一样，然后比较结果。

该过程如下。假设我们有一个已知方向图的天线，想要评估其影响。我们知晓机器人在任何时刻的位置和朝向，以及所有节点的位置，因此可以计算出每个节点发出的所有RSS测量值对应的节点与机器人之间的相对角度。利用这些信息，我们可以计算出相应的天线增益
J. Sens. Actuator Netw.2020, 9, 12 26 中的 14
每次测量时，如果天线在实验过程中存在，我们都会将该增益添加到相应的观测数据中。我们对所有想要评估的不同天线都进行此操作。

先前的步骤在实际应用中并不完全等同于使用真实的天线。主要原因是它隐含地假设信号仅通过连接发射机和接收机的直线路径到达接收机，而忽略了不同多径分量对应的不同天线增益。然而，其目的仅仅是为了初步了解天线方向性对模型参数的影响程度，而非精确量化这种影响。因此，我认为所提出的方法适用于预期目的。

我们不考虑完全不同的天线，而是创建一个具有可参数化控制方向性的虚拟天线。我们的虚拟天线具有以下辐射方向图：
g= gm+(gM −gm)e−κφ², φ ∈{−π,π}, (8)
其中，g 是以 dB 为单位的增益，gM 和 gm 分别是天线的绝对最大和最小增益， φ 是相对角度， κ 是控制方向性的参数。图5展示了当 gM= 0 dB 和 gm= −30 dB取固定值，且 κ 从 10⁻² 变化到 10¹时的辐射模式。可以看出，随着 κ 减小，辐射模式变得更加均匀。当 κ= 0 时的极限情况下，天线是完全全向的，增益为 0 dB，因此不会产生任何影响。随着 κ 值的增大，天线在接近零度的方向上更加集中。需要注意的是，由于增益始终介于 gM 和 gm 之间，辐射模式中不存在任何零点，因此我们的天线永远不会完全阻断任何方向；其作用仅仅是降低某些方向上的功率。在另一个极限情况 κ= ∞ 下，当天线在 φ= 0 时增益为 0 dB，而在其他任何方向均为 −30 dB。因此，该天线几乎是全向的，仅有一个单点方向例外，而该方向出现的概率为零。在这种极限情况下，实际上天线会将所有 RSS 测量值降低 30 dB，这也应该是唯一可察觉的影响。

图 6b 显示了在篮球场机器人轨迹采集的数据中加入虚拟天线效应后的结果，其中虚拟天线参数为 κ= 1。该图比较了使用原始数据集和修改后数据集时IM参数的经验分布。我们立即观察到添加人工天线带来的三个明显影响： z0, 的平均值显著增加， n 的平均值明显减少，以及 σ的离散度增大。图 6a 展示了一个示例
J. Sens. Actuator Netw.2020, 9, 12 26 中的 15
天线对篮球场中某个节点的RSS‐距离散点图的影响。在此特定示例中，n、z0和 σ的相对变化分别为8%、 20%和180%。

图 7展示了天线方向性（ κ值）逐步变化对三个实验环境中每个测试/机器人轨迹对应的IM参数经验分布的影响。纵轴显示了模型参数分布的均值和标准差相对于无虚拟天线影响时对应值的相对变化。初步观察可知，总体上参数分布的变化依赖于环境类型。图 7a 显示，在篮球场、大厅和办公室中，平均路径损耗指数的变化分别约为 2%、11% 和 1%。这表明平均路径损耗指数受天线方向性影响不大。然而，其离散度可能会发生显著改变，如图 7b 所示的标准差变化情况所示。在篮球场、办公室和大厅中，这些变化分别约为 68%、80% 和 25%。这表明在开放均匀环境中，天线方向性对路径损耗指数具有更强的相对影响。当环境为均匀环境时，不确定性的主要来源是硬件变异性。这解释了在篮球场和大厅中天线方向性具有更大相对重要性的原因。

平均值z0的变化符合我们虚拟天线的行为预期：在较小的 κ值时无影响，而在较大的值时减少30分贝（见图7c）。注意，该图显示的是相对变化，且z0为负值。因此，相对平均值的减小意味着相对平均值幅度的增加。此外，z0的离散度也可能随天线方向性而变化（见图7d）。在篮球场、办公室和大厅中记录到的最大变化分别约为40%、44%和25%。

平均值和标准差 σ随着方向性的增加而增加，正如预期的那样（见图7e,f）。在篮球场和大厅中，相对平均值增幅最大，其中硬件变异性对模型不确定性的相对贡献在我们的环境中最显著。

7. 环境的影响

路径损耗指数分布的平均值和离散度在很大程度上受到环境杂乱程度和均匀性的影响。正如预期，在我们的实验中，n在遮挡环境（办公室）中高于开放环境（篮球场和大厅）（见图4和表1）。n的离散度可以通过实验期间各节点与机器人之间不同的机器人‐节点视距条件来解释。一般来说，特定节点与机器人之间的障碍物数量越多、遮挡越严重，散点图趋势的斜率（可能还有曲率）就越大。因此，n也会更大。
这样，不同节点经历的视距条件变化将导致其对应IMs的路径损耗指数出现变异性。

不同的轨迹可能会导致n的经验分布的平均值和离散度不同，如图4所示。我们可以看到，在同一环境中机器人不同轨迹下，大厅中n的密度比篮球场中的更加分散。
J. Sens. Actuator Netw.2020, 9, 12 26 中的 18
办公室。如前所述，由于主要障碍物的存在导致的环境不均匀性部分解释了这一差异。大厅作为半开放空间，其路径损耗指数的平均值相较于办公室更接近于篮球场测得的值。此外，由于大厅比篮球场更具不均匀性，因此总体上离散度更大。办公室同样具有不均匀性，但更为杂乱，因此其路径损耗指数的平均值更大且离散度也更高。然而，机器人在办公室内的移动轨迹相对相似，因为它必须沿着走廊行进，并在有限的空闲区域中活动。因此，尽管环境存在不均匀性，密度仍然较为相近。

天线方向性对路径损耗指数的影响通常明显小于环境的影响。例如，参考文献[27]报告称，在同一房间内从全向天线切换到定向天线时，路径损耗指数变化了10%。我们的实验也证实了这一点：图n在图 6b所示的IMs中的最大相对变化约为20%，而当从篮球场切换到办公室时，表1中参考模型的相对变化约为68%。

如前所述，z0的分布受节点的硬件特性影响最大。从图4的中间图表可以看出，环境变化带来的最显著影响是其平均值的变化。注意，大厅中的平均值比篮球场小，而办公室中的平均值则比篮球场大。正如第4节所讨论的，这是由于模型的线性结构性限制以及d0,的选择可能导致z0随n增加而增加。如果我们选择一个例如d0= 5的值，则平均值在篮球场中最大，其次是大厅，最后是办公室（参见参考文献[12],第 50页）。

变化的视距条件也可能影响参考功率z0的离散度。为了说明这一点，考虑大厅的情况，这是一个半开放空间，存在一些较大的主要障碍物，如楼梯（见图1b）。根据节点的相对位置和机器人轨迹，对于某些节点而言，其与机器人之间保持清晰视距的时间可能比其他节点更长。两种极端情况是：在机器人轨迹相同的情况下，某一节点始终被楼梯遮挡，而另一节点则始终存在清晰视距。由于楼梯的持续遮挡，第一种情况下在所有距离上的接收信号强度将比第二种情况更负，因此n会更大。在其他非极端情况下，情况介于两者之间，导致n的值变化。现在，正如之前所论述的，n的变异性通过其相关性会引起z0的变化。因此，变化的视距条件也会引起z0的变化。这可能是解释办公室中z0的离散度相比篮球场和大厅增加的另一个因素（见表1中的标准差值）

从图4的最下方图表中可以看出， σ在篮球场中的值更小且离散度更低。这意味着与其他环境相比，该模型的不确定性相对较低。在办公室环境中， σ表现出显著更高且更分散的值。较短的离散度表明所有 IMs的不确定性水平相似，而较长的离散度则表明不同模型之间的不确定性差异较大。正如本节开头所讨论的，这可以解释为节点相对于机器人轨迹具有非常不同的视距条件所致。显然，在视距条件变化较大的部署中， σ会更大。

8. n与z0之间的相关性

如第4节所述，模型参数可能具有强相关性。图8a 显示了从我们的实验数据中识别出的 IMs 的 n和 z0值的散点图，其中相关性明显。相关系数的值取决于所选的参考距离 d0 = 1。表 2给出了 d0 = 1和 d0 = 5时的相关系数值。图 8b 展示了在三个实验环境中该值随d0的变化情况。
J. Sens. Actuator Netw.2020, 9, 12 26 中的 19

大厅和办公室中相关系数符号的变化是由于在这些特定环境中观察到的RSS‐距离散点图具有（凹）曲率（见图3），而对数距离模型无法解释这一趋势所致。如第4.2节所述，对数距离模型的线性局限性导致了系统性偏差的RSS预测。这种偏差在小距离值时为正，在大距离值时为负（见图3）。此外，偏差的幅度取决于对数据进行线性拟合模型的斜率；即，它依赖于n。n的增加会加大较小d值时的偏差，从而也增加线性模型在y轴上的截距（z0当d0= 1 m时）。然而，n的相同增量会对足够大的距离产生负偏差。这解释了图8b中相关性曲线符号的变化。

图 8b 显示相关性取决于环境类型。有趣的是，我们还可以看到，在所有环境中，当 d0值较小时，相关性趋于相似。选择d0= 1在所有环境中都产生了约 0.9 的相关性。

9. 讨论

对数正态模型在与无线传感器网络相关的科学文献中传统上被广泛使用，假设其参数是确定性的，并且n和z0分别独立地反映环境和硬件相关因素。然而，本文提出的实证证据对这些假设提出了挑战。首先，第5节中揭示的参数变异性表明，这些参数更适合用随机变量而非确定性参数来描述。此外，第n和z0在
第8节中报告的强相关性表明，这两个参数也应为联合分布。这种相关性反映了由模型误设引起的n和z0
之间的相互依赖关系，并最终将硬件和环境的影响在参数中相互关联。因此，可以合理地认为，相对于对数正态模型的经典用法，无线传感器网络部署中的接收信号强度通过假设模型参数为随机变量能够得到更好的表示，其中n和z0应相关且共同反映硬件和环境因素。由此提出的核心概念便是模型的代表性。
J. Sens. Actuator Netw.2020, 9, 12 26中的20

这些意味着什么？参数变异性有多重要？考虑参数变异性有哪些潜在好处？在实践中如何实现？这样做是否值得？忽略它会带来哪些后果和风险？这些问题都与本文提出的结果和主张的重要性密切相关，需要分别进行审视。虽然原则上可以通过与模型代表性等抽象概念相关的论点来定性研究其一般性影响，但对最终后果及其相关性的具体评估则需要根据具体应用，并结合所使用的推理方法和追求的目标来进行。
特别是，任何类型的定量评估都需要首先明确参数服从何种分布，然后将这些分布显式地纳入模型以及依赖该模型的算法/计算中。这类具体的决策和工作超出了本文的范围，因此本文也不涉及对影响的定量分析。尽管如此，仍可提出一些一般性的推论。

从本质上讲，考虑一种能够正确承认、接纳并考虑参数变异性的影响的测量生成过程，可以为整个无线传感器网络中的接收信号强度提供一个更具代表性的模型。这同时带来了（a）整体预测中更小的系统偏差，（b）信息更丰富的测量值，以及（c）更真实的预测。反过来，这也使得关于理论结果（如通信速率的界限、位置估计量的方差等）以及使用恰当生成的合成数据进行的仿真能够得出更真实的结论。总而言之，恰当地考虑这种变异性可以在一定程度上减少模型误设。

本文中，通过使用IMs分别解释每个节点观测到的数据，显式地考虑了参数变异性；而忽略参数变异性则体现在使用单一模型（参考模型）上，该模型通过每个实验/机器人轨迹中所有节点收集的数据进行识别。从参考模型切换到使用IMs时，每次测量所获得的信息增益可通过分析图4的最下面一栏直观地看出。如图所示，且符合预期，参考模型的 σ值（粗点）始终明显高于IMs对应值的均值，因此位于其相应经验分布的右尾部。因此，在方程(3)中相同的常规独立同分布观测假设下，使用参考模型会导致来自任意节点的每次测量携带完全相同的信息量（基本与1/σ²成正比）。相反，采用IMs后，来自不同节点的测量将根据各自IM的 σ值提供不同的信息量。此外，由于该值在IMs下的平均值小于参考模型下的值，因此整个无线传感器网络中所有节点测量所提供的信息总量相应更大。等价地，可以验证，当使用IMs时，所有测量值（来自所有节点）的对数似然更大，这在本文所用数据中确实如此。

另一个值得关注的与模型代表性相关的方面是使用CM时参数变异性的影响。如前所述，在这种情况下，通常使用同一对节点在特定AoI中收集训练数据以进行模型识别。然后，该模型被用于独立于其位置地预测网络中所有节点对之间交换的数据包的接收信号强度。然而，参数的变异性表明，由此得到的 CM可能无法最优地解释除用于收集训练数据的节点对之外的其他节点在相同AoI中的观测数据。因此，对这些其他节点的预测可能会因这种次优的模型代表性而引入额外的偏差。如果要使用CM，应如何最优地估计其参数？

直观上，可以考虑使用在许多不同节点和位置收集的训练数据，以便生成的模型能够更好地解释来自所有节点的观测数据。第5节中介绍的参考模型是这一策略的最终体现，它们通过使用所有节点的数据进行识别。然而，使用基于多个节点数据识别出的CMs是否一定能够带来更优的预测效果？在定位领域， [9]已有一些工作对此效应进行了研究。有趣的是，它
J. Sens. Actuator Netw.2020, 9, 12 21 of 26
实验表明：a）使单节点位置估计的定位误差最小化的模型参数始终不同于使用参考模型计算出的参数； b）使用从越来越多的节点获取的数据识别出的CMs，其误差会逐渐收敛到使用参考模型时达到的误差水平，但在达到该水平的过程中，误差可能显著变化，有时更大，有时更小。因此，在某种程度上，选择能够最小化误差的合适模型参数似乎在一定程度上依赖于运气；而使用来自多个节点的数据识别出的模型更具有鲁棒性/风险更低，但并不一定是最优的。

在定位框架中考虑参数变异性的一种方法是联合估计位置和模型参数。这方面已有研究，例如[15]同时考虑了由于模型误设引起的阴影效应的空间相关性。在此方法中，此处观察到的变异性被用来为模型参数创建先验分布，这些先验分布指导求解器在最大似然优化过程中选择可行的参数值。由于参数属于搜索空间的一部分，该方法自然允许它们根据实验条件而变化。

还可以通过不同方式考虑模型参数的变异性，以在基于仿真的研究中生成更真实的合成数据。例如，在包含一系列固定节点和移动节点的场景中，可以使用IMs来生成涉及固定节点和移动节点之间每个通信信道的测量值。IMs的参数可以从先验分布中抽取，这些先验分布可能是根据真实观测数据计算得到的。
在中等动态环境的仿真中，这些参数可以在整个模拟实验期间保持不变。而在高度动态的场景中，则可以构建参数的时间变化随机模型，并使其在虚拟实验过程中发生变化。

我们可以看到，考虑无线传感器网络部署中参数的自然变异性可以通过不同的方式实现。其基本思想应始终是更好地表示测量生成过程，如果处理得当，可以合理预期，使用所得到的模型进行推断的结果相比假设确定性模型参数而言，将得出更为现实的结论。尽管这些结果具有特定环境的特征，第5节报告的参数经验分布的统计值以及第8节展示的n0和z之间的相关性，可作为真实但实验室可控的无线传感器网络部署中可能发现情况的示例，并为其他研究提供指导方针。

10. 结论

对数正态模型是一种关于接收信号强度与收发距离之间关系的数学经验模型，具有过度简化和极为便捷的特点。这种简洁性所带来的代价是该模型在解释某些实验设置下的真实观测数据时存在设定错误和相应的结构性限制，尤其是当数据表现出非均匀性时。其径向性使其无法建模诸如障碍物等因素的影响，而这一问题在文献中已被证实会导致阴影效应的空间相关性。此外，正如本文明确指出的，路径损耗指数和参考功率可能具有很强的相关性，这一现象主要由模型线性引起。

当使用不同无线电设备采集的训练数据来识别经验对数正态模型时，模型参数会因所使用的硬件以及局部环境的特性而显著变化。这在无线传感器网络部署中尤为突出，通常表现为硬件变异性与环境非均匀性。这些因素对参数的影响各不相同：硬件变异性主要影响参考功率，而环境对路径损耗指数的影响更为显著。然而，如相关性所揭示的，这些因素以复杂的方式相互作用，使得难以准确区分它们各自的独立影响。
J. Sens. Actuator Netw.2020, 9, 12 22 of 26

虽然n确实主要受环境影响（在我们的一个实验中，对IMs的相对变化贡献了68%），但我们已经证明，在实际应用中，天线方向性也会对其产生显著影响（例如，在我们的一项测试中，对相对变化的贡献高达20%），且这种影响的程度取决于环境类型。尽管n的平均值变化不大，但环境越开阔和均匀，其离散度随天线方向性的增加而越大。我们的实验还表明，增加天线方向性会显著提高 σ的平均值和离散度。
参考功率z0,直接受到方向性的影响，通常其离散度也随方向性的增加而增大。

模型参数的变异性及其相关性表明，实际无线传感器网络部署更适合用参数为随机变量的模型来表示，而不是用独立的确定性参数。z0与n之间的强相关性进一步说明，在无线传感器网络中，硬件和环境因素影响相互独立的经典假设（前者仅影响z0，后者仅影响n）并不现实。由于模型参数之间相互关系复杂，其（联合）分布反映了所用硬件特性与部署地点特性的综合影响。

考虑到测量生成过程中参数的变异性，可以在一定程度上减少模型误设，从而在总体尺度上得到信息更丰富、偏差更小且更为真实的测量预测。因此，可以合理预期，承认这种变异性的方法所得出的结果也将更加真实和可信。