上篇博文是对论文：MOBILE LOCALIZATON METHOD BASED ON MULTIDIMENSIONAL SIMILARITY ANALYSIS做出的笔记，博文地址：https://blog.csdn.net/Reborn_Lee/article/details/84202353#CONCLUSION
声明：下面的仿真，定位误差和论文中的有点不一样，原因是因为目标位置论文没有给出，只是给出了一个区域范围，我取这个区域中的任意一点，稍微不一样也是正常的，但是趋势都是一样的。
这篇博文将对论文给出的方法进行仿真，仿真的条件：
三个基站位于（0,0），（2500,4330）和（5000,0），距离测量误差为高斯分布，零均值和标准差为30，所有单位 是米。
先给出一次实验的定位示意图：
此时，移动站的位置为：x0 = [3000,2000]';
可见，估计出来的目标位置和实际位置重合，故能够定位。
下面考虑定位的均方根误差：
为了比较上述两种方法的性能，将7个移动台固定在不同的区域坐标系的象限中。
移动站的位置分别为：
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对应上图中的7个区域。坐标是这个区域内的任意一个坐标。试验次数300.
仿真结果如下：
下图中的横坐标是7个区域，可见在目标在每个区域的定位均方根误差是不同的。
下面是传统的LLS方法的仿真结果，为了方便比较，横坐标仍然是七个区域，取相同的目标。
LLS算法的RMSE：
如果认真的比较上面两个图可以看出，这篇文章中提出的估计方法的均方差误差在大多数情况下小于LLS算法，也就是定位精度会稍微提高了一点。
仿真程序就不给出了，有兴趣的私信我即可。
还是给出一次定位的程序吧：
自己编写的，如果有问题，也可以和我讨论：
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');
其实一次定位的程序给出来了，那么均方根误差自己就可以根据这个程序改改即可。
原论文地址：https://download.csdn.net/download/reborn_lee/10792598