版权声明：本博客内容来自于个人学习过程中的总结，参考了互联网、数据手册、帮助文档、书本以及论文等上的内容，仅供学习交流使用，如有侵权，请联系，我会重写！转载请注明地址！ https://blog.csdn.net/Reborn_Lee/article/details/84145619
steepest descent algorithms are,
用函数表示为：
function g = grad_ml(X,x,r,sigma2)
% ML gradient computation
% --------------------------------
% g = grad_ml(X,x,r);
% g = gradient vector
% X = matrix for receiver positions
% x = 2D position estimate
% r = TOA measurement vector
% sigma2 = noise variance vector
%
L = size(X,2); % number of receivers
t1 = 0;
t2 = 0;
ds = sum((x*ones(1,L)-X).^2,1);
ds = ds';
for i=1:L
t1 = t1 + (1/sigma2(i))*(r(i)-ds(i)^(0.5))*(x(1)-X(1,i))/ds(i)^(0.5);
t2 = t2 + (1/sigma2(i))*(r(i)-ds(i)^(0.5))*(x(2)-X(2,i))/ds(i)^(0.5);
end
g=-2.*[t1; t2];首先还是先给出该方法的定位示意图 ：
下面分析均方根误差rmse：
废话不必多说，这个方法在信噪比为30dB时候的RMSE为223m和其他方法类似。