ARMA 和 运行 平均滤波器背后的理论，是否有任何替代算法来计算与信号 RSSI 的距离？
Theory behind ARMA and Running Average filter and are there any alternative algorithms for calculating distance from RSSI of signal?
我可以看到 Android 培根库具有两种测量距离的算法：运行 平均滤波器和 ARMA 滤波器。
这些与库的实现有什么关系（除了使用过滤器的公式）？
我在哪里可以找到有关这些解释其背后理论的背景信息？
是否有任何已知的替代算法可以研究和试用以测量距离？
在 BLE 信标上进行距离估计有两个基本步骤。
收集 RSSI 样本
将 RSSI 样本转换为距离估计值。
这两个步骤都有不同的可能算法。 ARMA 和 运行 平均过滤器是用于收集 RSSI 样本的两种不同算法。
了解信标以周期性速率发送数据包，通常为每秒 1-10 次。这些数据包中的每一个在被 phone 接收时都会有自己的信号电平测量值，称为 RSSI。由于无线电噪声和测量误差，每个 RSSI 样本都存在大量方差，这会导致距离估计出现大幅波动。因此，通常您需要获取多个 RSSI 样本并将它们平均在一起以减少此错误。
运行 平均算法只需要 20 秒的样本（默认情况下，时间段是可配置的），丢弃顶部和底部的 10% RSSI 读数并取余数的平均值。 这类似于 iOS 平均样本的方式，因此出于跨平台兼容性原因，它是库 的默认算法。但它有距离估计滞后的缺点，告诉你phone平均10秒前相对于信标的位置。这可能不适合 phone 相对于信标移动的用例。
ARMA（自回归移动平均）算法在统计上对较新的样本的加权比较旧的样本更重，从而导致更少的滞后在距离估计中。但它的行为可能有点不确定，并且 在不同的无线电条件下会受到更多变化的性能影响。
哪种算法适合您取决于您的用例。测试两者以查看哪个对您的表现更好通常是最好的方法。虽然还有其他可能的数据收集算法，但这些是库中内置的仅有的两个。由于它是开源的，欢迎您创建自己的并将它们作为拉取请求提交。
对于第 2 步，还有许多可能的算法。最常见的两个是曲线拟合公式和路径损耗公式。曲线拟合公式是库的默认值，路径损耗替代方案仅在正在开发的库的一个分支中可用。欢迎您使用后者，但它需要从源代码构建库。同样，作为一个开源库，欢迎并鼓励您开发自己的替代算法。
我可以看到 Android 培根库具有两种测量距离的算法：运行 平均滤波器和 ARMA 滤波器。
这些与库的实现有什么关系（除了使用过滤器的公式）？ 我在哪里可以找到有关这些解释其背后理论的背景信息？ 是否有任何已知的替代算法可以研究和试用以测量距离？
在 BLE 信标上进行距离估计有两个基本步骤。
收集 RSSI 样本
将 RSSI 样本转换为距离估计值。
这两个步骤都有不同的可能算法。 ARMA 和 运行 平均过滤器是用于收集 RSSI 样本的两种不同算法。
了解信标以周期性速率发送数据包，通常为每秒 1-10 次。这些数据包中的每一个在被 phone 接收时都会有自己的信号电平测量值，称为 RSSI。由于无线电噪声和测量误差，每个 RSSI 样本都存在大量方差，这会导致距离估计出现大幅波动。因此，通常您需要获取多个 RSSI 样本并将它们平均在一起以减少此错误。
运行 平均算法只需要 20 秒的样本（默认情况下，时间段是可配置的），丢弃顶部和底部的 10% RSSI 读数并取余数的平均值。 这类似于 iOS 平均样本的方式，因此出于跨平台兼容性原因，它是库 的默认算法。但它有距离估计滞后的缺点，告诉你phone平均10秒前相对于信标的位置。这可能不适合 phone 相对于信标移动的用例。
ARMA（自回归移动平均）算法在统计上对较新的样本的加权比较旧的样本更重，从而导致更少的滞后在距离估计中。但它的行为可能有点不确定，并且 在不同的无线电条件下会受到更多变化的性能影响。
哪种算法适合您取决于您的用例。测试两者以查看哪个对您的表现更好通常是最好的方法。虽然还有其他可能的数据收集算法，但这些是库中内置的仅有的两个。由于它是开源的，欢迎您创建自己的并将它们作为拉取请求提交。
对于第 2 步，还有许多可能的算法。最常见的两个是曲线拟合公式和路径损耗公式。曲线拟合公式是库的默认值，路径损耗替代方案仅在正在开发的库的一个分支中可用。欢迎您使用后者，但它需要从源代码构建库。同样，作为一个开源库，欢迎并鼓励您开发自己的替代算法。