به نظر می‌رسد که مکان سیگنال‌ها را خوب نمی‌دانید، بنابراین ابتدا باید آن‌ها را تخمین بزنید و سپس با داشتنِ آن تخمین‌ها، موقعیت خود را مثلث‌سازی کنید.

اگر دقت و واقع‌گرایی می‌خواهید، اتخاذ یک مدل احتمال‌پذیری (likelihood) برای قدرت سیگنال‌ها، یافتنِ حداکثر احتمال (maximum likelihood) و ساختنِ نقشه‌ی شبکه‌ای از احتمال موقعیت که از تخمین‌های حداکثر احتمال محاسبه می‌شود را در نظر بگیرید. ماکزیمم سراسری روی شبکه، بهترین تخمینِ موقعیت را مشخص می‌کند و خطوط تراز (نسبت به ماکزیمم) مجموعه‌های اطمینان را برای آن موقعیت به دست می‌دهند. یک مدل احتمال‌پذیری عمومی با فرض یک فرمول برای تضعیف سیگنال و در نظر گرفتنِ خطا به دست می‌آید. با یک فرمول کاملاً عمومی (با تابع تضعیف وابسته به زاویه و مکان) زیاد پیش نخواهید رفت، پس باید ساده‌سازی کنید. برای مثال، می‌توانید یک تابع تضعیف «سراسری» به نام f در نظر بگیرید، به طوری که اگر قدرت منبع در مکان وای‌فای x برابر با a باشد، قدرتِ مورد انتظار در مکان دیگر y به‌صورت زیر به دست آید z(y; x) = a f(d) که در آن d فاصله‌ی بین y و x است. برای مثال، می‌توانید تضعیفِ نسبتِ معکوسِ مربع را در نظر بگیرید که برای آن f(d) = 1 بر d^2 است، به شرطی که فاصله‌ی d از یک آستانه‌ی کوچک بزرگ‌تر باشد. به‌عنوان ساده‌سازی دیگر، می‌توانید فرض کنید قرائت قدرت z(y;x) در مکان y برای منبع x با یک خطای دارای توزیع نرمال از مقدارِ مورد انتظار اختلاف دارد؛ فرض کنید همه‌ی خطاها مستقل‌اند و همگی انحراف معیار یکسانی (s) دارند. سهم یک قرائت قدرت z در لگ‌احتمال (log likelihood) آن‌گاه به‌صورت زیر می‌شود L(y,x) = -[ (z(y;x) - a f(d))^2 بر s^2 + ln(s) ] بر ۲ لگ‌احتمالی که باید بیشینه شود، جمعِ دوگانه‌ی L(y,x) روی همه‌ی مکان‌های y و همه‌ی منابع x است. این تابعی از مکان‌های ناشناخته، شدت‌های منبعِ ناشناخته و انحراف معیارِ ناشناخته‌ی خطاهاست. یافتنِ انحراف معیارِ بهینه و شدت‌های منبعِ بهینه ساده است (مشتق‌های جزئی را بگیرید، صفر قرار دهید و حل کنید)، اما برای توابع تضعیفِ واقع‌گرایانه‌ی f شما با مسئله‌ای غیرخطی برای یافتنِ مکان‌ها روبه‌رو هستید. بااین‌حال، در مثال شما فقط ۱۳ پارامتر در میان است، بنابراین باید بتوانید آن را در مثلاً یک بهینه‌ساز چندمتغیره‌ی نیوتن–رافسون بریزید و به‌سرعت به پاسخ خوبی برسید. (ادبیات آماری پر از روش‌هایی برای حل این نوع معادلات است.) اگر علاوه بر آن فرض کنید دستگاه دوم به‌طور متناسب حساسیت بیشتری نسبت به دستگاهِ جمع‌آوری داده دارد، در مدلی که من پیشنهاد کرده‌ام تفاوت چندانی ایجاد نمی‌کند (زیرا قدرت سیگنال‌ها به‌صورت ضربی وارد می‌شوند). در واقع، اگر اجازه دهید خطاها با شدت مقیاس شوند (به طوری که انحراف معیارشان a ضرب در s باشد به‌جای s)، اختلاف بین دستگاه‌ها باید بی‌اهمیت باشد. برای ساده نگه‌داشتن این موضوع از برخی نکات ظریف آماری صرف‌نظر کرده‌ام، مانند این واقعیت که این یک مسئله‌ی بازه‌ی پیش‌بینیِ چندمتغیره است، نه یک مسئله‌ی بازه‌ی اطمینان. اگر مقدار خطا زیاد نباشد (یعنی s کوچک باشد)، این اختلاف چندان مهم نخواهد بود.