手机蓝牙分档策略的理论基础与科学定档方法：从 RSSI 物理规律到稳健聚类定档

目录

• 1. 问题背景：为什么手机蓝牙要做分档
• 2. 先讲物理：RSSI 与距离为什么不是线性关系
• 3. 分档的真正目标：不是分类手机，而是压缩硬件差异
• 4. 分档数据值的科学来源：从原始采样到稳态特征
• 5. 第一步：为什么要做高密度数据采集
• 6. 第二步：MAD 离群点剔除为什么成立
• 7. 第三步：EWMA 稳态特征为什么合理
• 8. 第四步：K-Means++ 为什么能用于分档
• 9. 分档边界不是直接等于聚类中心：还要做工程修正
• 10. 一版更合理的四档分档区间建议
• 11. 为什么这组区间比原方案更合理
• 12. 实际落地时的完整操作流程
• 13. 常见误区与反例
• 14. 结论
• 参考文献

1. 问题背景：为什么手机蓝牙要做分档

在蓝牙定位、靠近解锁、迎宾感应、无钥匙进入、座舱联动等汽车电子场景里，系统经常使用手机上报的 RSSI（Received Signal Strength Indicator，接收信号强度指示）作为距离判断依据。

看起来这件事很简单：

• RSSI 强，说明手机离车更近；
• RSSI 弱，说明手机离车更远。

但真正上线以后，问题马上出现：

于是系统会遇到一个核心矛盾：

• 如果每个机型单独标定，精度可以提高，但成本极高；
• 如果所有机型共用一套阈值，成本低，但体验容易失控。

所谓“手机蓝牙分档策略”，本质上就是在这两者之间寻找一个折中方案：

• 不追求“每台手机一套参数”；
• 也不接受“所有手机完全共用一套阈值”；
• 而是把手机按蓝牙链路能力和稳态 RSSI 特征划分成少数几档。

这样做之后，系统复杂度从“每机型独立适配”降为“每档统一适配”。 这就是为什么它在工程上非常有价值。

2. 先讲物理：RSSI 与距离为什么不是线性关系

很多工程讨论一开始就直接谈阈值，这是不够严谨的。 分档策略的第一层科学基础，不是聚类算法，而是无线传播本身。

在室内或半开放空间中，RSSI 与距离通常使用对数路径损耗模型描述：

R

S

S

I

(

d

)

=

A

−

10

n

log

⁡

10

(

d

)

+

X

σ

RSSI(d) = A – 10n \\log_{10}(d) + X_{\\sigma}

RSSI(d)=A−10nlog10​(d)+Xσ​

其中：

• $d$
• $A$
• $n$
• $X_{\sigma }$

2.1 这个公式为什么是对数形式

原因不在于“大家都这么写”，而在于自由空间传播和经验修正共同决定了它的结构。

自由空间中，理想接收功率满足 Friis 传输关系。若忽略常数项，只保留与距离有关的部分，可以写成：

P

r

∝

1

d

2

P_r \\propto \\frac{1}{d^2}

Pr​∝d21​

两边取对数，得到：

10

log

⁡

10

P

r

=

C

−

20

log

⁡

10

(

d

)

10 \\log_{10} P_r = C – 20 \\log_{10}(d)

10log10​Pr​=C−20log10​(d)

这说明在理想自由空间里，接收功率与

log

⁡

10

(

d

)

\\log_{10}(d)

log10​(d) 呈线性关系。 真实环境并不是自由空间，反射、遮挡、人体吸收、车体金属结构都会改变衰减速率，于是把固定的 2 推广为环境参数

n

n

n，得到：

R

S

S

I

(

d

)

=

A

−

10

n

log

⁡

10

(

d

)

+

X

σ

RSSI(d) = A – 10n \\log_{10}(d) + X_{\\sigma}

RSSI(d)=A−10nlog10​(d)+Xσ​

这就是对数路径损耗模型的来源。

2.2 它对分档有什么直接启发

把上式对距离求导：

d

R

S

S

I

d

d

=

−

10

n

ln

⁡

10

⋅

1

d

\\frac{d\\ RSSI}{d d} = – \\frac{10n}{\\ln 10} \\cdot \\frac{1}{d}

ddd RSSI​=−ln1010n​⋅d1​

这个导数非常关键，它告诉我们：

• 当 $d$
• 当 $d$

换句话说：

• 近距离强信号区：RSSI 的小变化，往往对应真实距离的显著变化，必须细分；
• 远距离弱信号区：RSSI 波动主要受噪声支配，再怎么细分也未必稳定，反而应该适当合并。

这正是“强信号区细分、弱信号区归并”的物理依据。 如果不先理解这一点，后面的所有分档都容易退化成经验调参。

3. 分档的真正目标：不是分类手机，而是压缩硬件差异

“分档”这两个字很容易让人误解，以为是在对手机品牌、型号做行政式分类。 实际上，分档的对象不是“品牌标签”，而是手机在蓝牙接收链路上的统计表现。

更准确地说，我们关注的是同一标准测试条件下，手机的稳态信号特征是否相近。 这些差异主要来自：

• 蓝牙芯片接收灵敏度；
• 天线增益与布局；
• 机身材料和屏蔽效应；
• 系统底层对 RSSI 的滤波与量化策略；
• 发射功率控制与扫描策略。

因此，分档策略要解决的不是“手机被分到哪一类更好看”，而是：

如何把手机之间对定位最有害的那部分差异，压缩进少量可管理的阈值档位里。

从数学上看，这相当于把原本每台手机一个参数集的问题：

Θ

1

,

Θ

2

,

⋯
 

,

Θ

N

\\Theta_1,\\Theta_2,\\cdots,\\Theta_N

Θ1​,Θ2​,⋯,ΘN​

压缩成：

Γ

1

,

Γ

2

,

⋯
 

,

Γ

K

,

K

≪

N

\\Gamma_1,\\Gamma_2,\\cdots,\\Gamma_K,\\qquad K \\ll N

Γ1​,Γ2​,⋯,ΓK​,K≪N

这里：

• ${\Theta }_i$
• ${\Gamma }_k$

如果原来每个机型都要单独标定，复杂度近似是

O

(

N

)

O(N)

O(N)； 如果只需要维护少量档位，复杂度近似变成

O

(

K

)

O(K)

O(K)。 当

K

K

K 远小于

N

N

N 时，工程收益就非常明显。

4. 分档数据值的科学来源：从原始采样到稳态特征

这一节是全文的重点。 很多方案的问题不在于“用了什么算法”，而在于根本没有回答清楚： 一个分档阈值，究竟是从什么数据、通过什么处理、依据什么准则得到的？

一套合格的分档值，不应该直接来自瞬时 RSSI，而应该来自“净化后的稳态特征值”。 完整链路应当是：

原始采样

→

异常剔除

→

时间平滑

→

特征提取

→

聚类分档

→

工程修正

原始采样 \\rightarrow 异常剔除 \\rightarrow 时间平滑 \\rightarrow 特征提取 \\rightarrow 聚类分档 \\rightarrow 工程修正

原始采样→异常剔除→时间平滑→特征提取→聚类分档→工程修正

这条链路中每一步都不能随意省略：

接下来我们把这五步逐一拆开。

5. 第一步：为什么要做高密度数据采集

5.1 为什么瞬时 RSSI 不能直接用于定档

单个 RSSI 观测值并不稳定，常常受到以下因素影响：

• 扫描时刻不同；
• 天线瞬态方向不同；
• 多径叠加相位变化；
• 系统内部量化和滤波。

因此，某一时刻的 RSSI 更像是“真实水平 + 随机扰动”的叠加：

r

t

=

s

+

ε

t

r_t = s + \\varepsilon_t

rt​=s+εt​

其中：

• $r_t$
• $s$
• ${\epsilon }_t$

如果只拿一个

r

t

r_t

rt​ 去分档，等价于把噪声直接当成手机能力本身，这是不合理的。

5.2 为什么建议高频采样 10 到 20 秒

高频采样的作用不是“看起来更专业”，而是为了让稳健统计量真正可用。

假设采样频率为

f

s

f_s

fs​，采样时长为

T

T

T，则样本数为：

N

=

f

s

⋅

T

N = f_s \\cdot T

N=fs​⋅T

例如：

• $f_s=50$
• $T=10$

则有：

N

=

500

N = 500

N=500

500 个样本足以支持：

• 中位数估计；
• MAD 离群检测；
• EWMA 稳态提取；
• 后续跨手机聚类。

如果样本数太少，例如只有 20 到 30 个点，那么：

• MAD 会不稳定；
• EWMA 容易受初值影响；
• 聚类中心会更依赖偶然波动。

所以“高密度采样”并不是流程装饰，而是后续全部算法成立的前提。

6. 第二步：MAD 离群点剔除为什么成立

6.1 为什么不能直接用均值和标准差剔除异常点

最常见但也最容易出错的方法，是先求均值

μ

\\mu

μ 和标准差

σ

\\sigma

σ，再删掉满足

∣

x

i

−

μ

∣

>

3

σ

|x_i – \\mu| > 3\\sigma

∣xi​−μ∣>3σ

的点。

这个方法的问题在于： 均值和标准差本身就会被离群点污染。

举个直观例子：

• 正常 RSSI 绝对值集中在 72 到 76；
• 某次突发干扰出现一个 92；

这个 92 会把均值往上拉，把标准差也拉大，结果反而让异常点不那么“异常”。

6.2 MAD 的思想到底是什么

MAD 是 Median Absolute Deviation，中位数绝对偏差。 它的核心思想是：

设原始样本为：

x

1

,

x

2

,

⋯
 

,

x

N

x_1,x_2,\\cdots,x_N

x1​,x2​,⋯,xN​

第 1 步，求中位数：

m

=

median

⁡

(

x

1

,

x

2

,

⋯
 

,

x

N

)

m = \\operatorname{median}(x_1,x_2,\\cdots,x_N)

m=median(x1​,x2​,⋯,xN​)

第 2 步，计算绝对偏差：

d

i

=

∣

x

i

−

m

∣

d_i = |x_i – m|

di​=∣xi​−m∣

第 3 步，再对偏差取中位数：

M

A

D

=

median

⁡

(

d

1

,

d

2

,

⋯
 

,

d

N

)

MAD = \\operatorname{median}(d_1,d_2,\\cdots,d_N)

MAD=median(d1​,d2​,⋯,dN​)

这就是 MAD 的完整来源。

6.3 为什么 MAD 可以用来近似标准差

在高斯分布假设下，有一个经典结果：

σ

≈

1.4826

×

M

A

D

\\sigma \\approx 1.4826 \\times MAD

σ≈1.4826×MAD

这个系数不是拍脑袋来的，而是由正态分布中位数绝对偏差与标准差之间的比例关系推出来的。 因此我们可以定义一个稳健 z-score：

z

i

(

r

o

b

u

s

t

)

=

x

i

−

m

1.4826

×

M

A

D

z_i^{(robust)} = \\frac{x_i – m}{1.4826 \\times MAD}

zi(robust)​=1.4826×MADxi​−m​

当：

∣

z

i

(

r

o

b

u

s

t

)

∣

>

τ

|z_i^{(robust)}| > \\tau

∣zi(robust)​∣>τ

时，就认为该点是离群点。 工程上常用

τ

=

2.5

\\tau=2.5

τ=2.5 到

3.5

3.5

3.5。

6.4 为什么它特别适合 RSSI

因为 RSSI 的坏点通常不是“整体漂移”，而是少量突发尖峰：

• 某一帧受到瞬时反射干扰；
• 扫描丢包后下一帧量化异常；
• 瞬时遮挡导致信号骤降。

MAD 对“少量极端点”不敏感，这正好符合 RSSI 场景。 所以在分档流程里，MAD 不是可有可无，而是“先把脏数据拿掉”的关键清洗步骤。

7. 第三步：EWMA 稳态特征为什么合理

7.1 为什么离群点剔除后还不能直接取平均值

即便已经做了离群点剔除，序列仍然有高频抖动。 如果直接取简单平均：

x

ˉ

=

1

N

∑

i

=

1

N

x

i

\\bar x = \\frac{1}{N}\\sum_{i=1}^{N}x_i

xˉ=N1​i=1∑N​xi​

它存在两个问题：

而我们真正想要的，不是“全程平均水平”，而是当前位置下的稳态代表值。

7.2 EWMA 的基本思想是什么

EWMA 是 Exponentially Weighted Moving Average，指数加权移动平均。 它的思想可以概括成一句话：

离当前越近的观测，对当前稳态判断越重要。

因此它不是对所有历史样本一视同仁，而是“厚今薄古”。

其递推形式为：

s

t

=

α

x

t

+

(

1

−

α

)

s

t

−

1

,

0

<

α

<

1

s_t = \\alpha x_t + (1-\\alpha)s_{t-1},\\qquad 0<\\alpha<1

st​=αxt​+(1−α)st−1​,0<α<1

其中：

• $x_t$
• $s_t$
• $\alpha$

7.3 这个公式为什么这么写

这不是随便构造的线性组合，而是一个非常自然的递推估计结构。

我们要求新的稳态估计

s

t

s_t

st​ 满足两件事：

最简单的线性递推就是：

s

t

=

a

x

t

+

b

s

t

−

1

s_t = a x_t + b s_{t-1}

st​=axt​+bst−1​

又因为我们希望它是加权平均，系数和应为 1，于是：

a

+

b

=

1

a+b=1

a+b=1

令

a

=

α

a=\\alpha

a=α，则

b

=

1

−

α

b=1-\\alpha

b=1−α，便得到：

s

t

=

α

x

t

+

(

1

−

α

)

s

t

−

1

s_t = \\alpha x_t + (1-\\alpha)s_{t-1}

st​=αxt​+(1−α)st−1​

这一步并不复杂，但非常重要： EWMA 的本质是“当前观测”和“上一时刻稳态估计”的凸组合。

7.4 把它展开以后就能看出“指数加权”

继续递推展开：

s

t

=

α

x

t

+

(

1

−

α

)

s

t

−

1

s_t = \\alpha x_t + (1-\\alpha)s_{t-1}

st​=αxt​+(1−α)st−1​

将

s

t

−

1

s_{t-1}

st−1​ 再展开：

s

t

−

1

=

α

x

t

−

1

+

(

1

−

α

)

s

t

−

2

s_{t-1} = \\alpha x_{t-1} + (1-\\alpha)s_{t-2}

st−1​=αxt−1​+(1−α)st−2​

代回去：

s

t

=

α

x

t

+

α

(

1

−

α

)

x

t

−

1

+

(

1

−

α

)

2

s

t

−

2

s_t = \\alpha x_t + \\alpha(1-\\alpha)x_{t-1} + (1-\\alpha)^2 s_{t-2}

st​=αxt​+α(1−α)xt−1​+(1−α)2st−2​

继续展开到起点，可以得到：

s

t

=

α

x

t

+

α

(

1

−

α

)

x

t

−

1

+

α

(

1

−

α

)

2

x

t

−

2

+

⋯

s_t = \\alpha x_t + \\alpha(1-\\alpha)x_{t-1} + \\alpha(1-\\alpha)^2x_{t-2} + \\cdots

st​=αxt​+α(1−α)xt−1​+α(1−α)2xt−2​+⋯

这说明：

• 最新样本权重是 $\alpha$
• 上一帧权重是 $\alpha (1-\alpha )$
• 再往前一帧权重是 $\alpha (1-\alpha {)}^2$

权重呈指数衰减，所以叫“指数加权”。

7.5 为什么它适合分档稳态值提取

在手机蓝牙分档里，我们希望得到一个“抗抖动，但仍反映当前状态”的特征值。 EWMA 恰好满足这个需求：

• 比简单平均更重视近期数据；
• 比瞬时值更平滑；
• 计算复杂度低，适合量产测试和在线系统。

工程上，若采样频率较高、噪声较强，可取：

α

∈

[

0.15

,

0.30

]

\\alpha \\in [0.15,0.30]

α∈[0.15,0.30]

这并不是绝对标准，而是常见的工程可用范围。

α

\\alpha

α 越小，越平滑；

α

\\alpha

α 越大，越灵敏。

8. 第四步：K-Means++ 为什么能用于分档

8.1 为什么清洗和平滑之后还需要聚类

到这一步，我们手里已经不再是原始 RSSI，而是每台手机在某个测试条件下的稳态特征值。 问题变成：

如何把这些稳态特征值自动划分成若干个相近的组？

这就是一个典型的无监督聚类问题。

如果完全人工划分阈值，问题在于：

• 工程经验会掺杂主观判断；
• 一旦机型数量增多，人工边界很难保持一致；
• 阈值更新无法随着数据集自动演化。

所以需要让数据自己说话。

8.2 K-Means 的目标函数到底是什么

设共有

N

N

N 个样本，每个样本记为

x

i

x_i

xi​，要分成

K

K

K 类。 K-Means 要最小化类内平方和：

J

=

∑

k

=

1

K

∑

x

i

∈

C

k

∥

x

i

−

μ

k

∥

2

J = \\sum_{k=1}^{K}\\sum_{x_i \\in C_k} \\|x_i-\\mu_k\\|^2

J=k=1∑K​xi​∈Ck​∑​∥xi​−μk​∥2

其中：

• $C_k$
• ${\mu }_k$

这个目标函数的含义非常直接：

• 同一簇里的点尽量彼此接近；
• 不同簇之间自然拉开。

如果用在手机分档上，意味着：

• 同一档的手机，其稳态 RSSI 特征尽量相似；
• 不同档之间的统计表现尽量可区分。

8.3 为什么不是直接用 K-Means，而是 K-Means++

传统 K-Means 最大的问题是初始中心随机。 初值不同，最后结果可能差很多。

K-Means++ 的改进点在于： 它用更聪明的方式选初始中心。

具体思想是：

其概率形式为：

P

(

x

i

 被选为新中心

)

∝

D

(

x

i

)

2

P(x_i\\ 被选为新中心) \\propto D(x_i)^2

P(xi​ 被选为新中心)∝D(xi​)2

其中

D

(

x

i

)

D(x_i)

D(xi​) 表示样本

x

i

x_i

xi​ 到最近已选中心的距离。

这样做的好处是：

• 初始中心更分散；
• 更不容易掉进差的局部最优；
• 聚类结果更稳定。

8.4 为什么它适合“分档阈值”而不是“最终阈值本身”

这里必须强调一个常被忽略的细节：

K-Means++ 给出的首先是簇中心和簇划分，不是最终工程阈值。

也就是说，它告诉我们：

• 数据自然地可以分成几组；
• 每组的中心在哪里；
• 组与组之间的大致分界在哪里。

但真正用于上线的阈值，还必须结合：

• 安全裕量；
• 跨位置一致性；
• 多天线差异；
• 误判代价。

所以流程应该是：

稳态特征值

→

聚类中心

→

候选边界

→

工程修正边界

稳态特征值 \\rightarrow 聚类中心 \\rightarrow 候选边界 \\rightarrow 工程修正边界

稳态特征值→聚类中心→候选边界→工程修正边界

而不是：

稳态特征值

→

聚类中心

→

直接上线

稳态特征值 \\rightarrow 聚类中心 \\rightarrow 直接上线

稳态特征值→聚类中心→直接上线

9. 分档边界不是直接等于聚类中心：还要做工程修正

这一节非常关键。 如果只会说“我们用了 K-Means++，所以阈值科学”，那是不够严谨的。

9.1 为什么聚类结果不能直接上线

因为聚类是在样本空间里追求类内紧凑，而实际系统上线还要考虑：

所以聚类边界只是“数据驱动的第一版候选边界”。

9.2 更合理的做法：边界 = 聚类结果 + 安全余量 + 通道修正

设聚类后相邻两簇中心分别为

μ

k

\\mu_k

μk​ 和

μ

k

+

1

\\mu_{k+1}

μk+1​，最简单的候选边界是它们中点：

b

k

(

0

)

=

μ

k

+

μ

k

+

1

2

b_k^{(0)} = \\frac{\\mu_k + \\mu_{k+1}}{2}

bk(0)​=2μk​+μk+1​​

但实际使用时通常还要增加修正项：

b

k

=

b

k

(

0

)

+

Δ

k

(

s

a

f

e

)

+

Δ

k

(

c

h

a

n

n

e

l

)

b_k = b_k^{(0)} + \\Delta_k^{(safe)} + \\Delta_k^{(channel)}

bk​=bk(0)​+Δk(safe)​+Δk(channel)​

其中：

• ${\Delta }_k^{(safe)}$
• ${\Delta }_k^{(channel)}$

这就是为什么“真正合理的分档值”必须同时具有：

• 理论基础；
• 数据基础；
• 工程修正。

三者缺一不可。

10. 一版更合理的四档分档区间建议

下面给出一版更适合工程起步使用的四档区间。 注意：这些区间应理解为推荐初始值，最终仍需基于你的自有采样数据做再标定。

为了避免符号混乱，本文统一使用 RSSI 绝对值：

s

=

∣

R

S

S

I

∣

s = |RSSI|

s=∣RSSI∣

于是：

• $s$
• $s$

10.1 推荐四档区间

10.2 为什么我把区间改成这样

和原方案相比，这组区间做了三类修正：

11. 为什么这组区间比原方案更合理

11.1 从物理曲线斜率看

近距离区间中，RSSI 对距离的敏感性高，因此应采用较窄区间。 这就是为什么：

• 1 档和 2 档被切得更细；
• 4 档则被刻意拉宽。

如果反过来，在弱信号区还大量细分，那么系统会过度响应噪声，而不是响应真实距离。

11.2 从统计稳定性看

靠近边界的样本最容易跳档。 若区间交叠太多或边界太密，就会导致：

• 相邻两次采样在 2 档和 3 档之间来回抖动；
• 不同天线通道给出互相矛盾的档位；
• 标定解释困难，开发人员不清楚到底哪条规则生效。

现在这套区间做成连续、单调、弱重叠甚至无重叠的形式，更利于软件实现和问题追踪。

11.3 从工程管理角度看

分档的目的不是追求数值上的极致精细，而是为了在成本、精度、可维护性之间找到平衡。 因此，一套合理阈值至少应满足：

原方案的问题不是“完全错误”，而是区间之间的逻辑还不够工整。 这次修正的重点，就是让它更像一套可以长期维护的工程标准，而不是一次性试验参数。

12. 实际落地时的完整操作流程

如果要真正把这一策略落到项目中，建议按下面顺序实施。

12.1 数据采集阶段

对每台候选手机，在固定场景、固定姿态、固定距离条件下采集数据：

• 采样频率不低于 50 Hz；
• 单点采样时长不少于 10 s；
• 每台手机至少重复 3 到 5 轮；
• 主控、左前、左后三路通道分别记录。

12.2 数据清洗阶段

对每段采样序列：

12.3 稳态特征提取阶段

对清洗后的序列做 EWMA，输出末段或稳态区间均值作为代表值。 不要直接拿单帧值做手机画像。

12.4 聚类与候选边界阶段

将所有手机的稳态特征值输入 K-Means++，得到：

• 各档聚类中心；
• 相邻簇之间的候选边界；
• 每档样本数量分布。

12.5 工程修正阶段

结合以下信息微调边界：

• 误判代价；
• 多天线通道偏移；
• 特定品牌的系统性偏差；
• 实车路测结果。

最终输出标准分档表，并锁定版本号。

13. 常见误区与反例

误区 1：直接拿瞬时 RSSI 设阈值

这样做的问题是，阈值实际上在跟着噪声跑。 没有稳态提取，分档值就没有统计意义。

误区 2：均值加标准差就够了

如果数据里有离群点，均值和标准差本身都会被污染。 因此在 RSSI 这类易出现尖峰干扰的场景里，MAD 往往更稳健。

误区 3：聚类结果就是最终标准

聚类只能说明“数据自然分组大概在哪里”，但它不会替你考虑安全裕量、误判代价和通道差异。 所以聚类只是科学定档的一部分，不是全部。

误区 4：弱信号区应该切得更细

这恰恰违背了对数路径损耗曲线的物理特征。 弱信号区受噪声影响更大，越细分越容易失稳。

误区 5：只要区间看起来均匀就合理

分档不是把数轴平均切段，而是依据物理传播规律、统计分布和工程目标共同确定的。 “好看”不等于“可用”。

14. 结论

手机蓝牙分档策略的科学性，不在于最后那张表格有多漂亮，而在于它背后的推导链条是否闭环。

一套真正站得住的分档方案，至少应该满足以下逻辑：

因此，分档阈值绝不是“主观经验数值”，而是：

物理规律

+

统计清洗

+

稳态估计

+

聚类分析

+

工程修正

物理规律 + 统计清洗 + 稳态估计 + 聚类分析 + 工程修正

物理规律+统计清洗+稳态估计+聚类分析+工程修正

共同作用的结果。

如果后续你还要继续深入，我建议下一步写两篇配套文章：

• 一篇专门讲 “MAD + EWMA + K-Means++” 的数据处理流水线；
• 一篇专门讲 “如何用实车路测数据验证分档表是否合理”。

这样就能把“分档策略”从一篇设计说明，真正扩展成一套完整的方法论。

参考文献

[1] T. S. Rappaport. Wireless Communications: Principles and Practice. 2nd Edition. Prentice Hall, 2002. [2] A. Goldsmith. Wireless Communications. Cambridge University Press, 2005. [3] P. J. Rousseeuw, C. Croux. Alternatives to the Median Absolute Deviation. Journal of the American Statistical Association, 1993. [4] R. G. Brown. Smoothing, Forecasting and Prediction of Discrete Time Series. Prentice-Hall, 1963. [5] D. Arthur, S. Vassilvitskii. k-means++: The Advantages of Careful Seeding. Proceedings of SODA, 2007. [6] S. M. Kay. Fundamentals of Statistical Signal Processing, Volume I: Estimation Theory. Prentice Hall, 1993.