在传统的分布式滤波算法中，通常假设感知节点在每个周期性采样时刻传输其本地信息，这会导致通信资源的不必要浪费，特别是涉及到了节能方面。而且与传统的单一的传感器系统中滤波算法相比较[15][16][17][18]，分布式滤波的关键特性是其传感器网络中每个传感器系统状态估计不仅是基于它本身的测量值，而且还可以根据拓扑结构依靠相邻节点的测量值来估计。为了提高网络利用效率，作为周期性控制方法的替代方案，本文将采用事件触发机制，以减少网络的通信负担，保证滤波性能。其中主旨是只传输重要信息而不是所有消息，从而达到减少能耗的目的。

1.4研究内容

对于受到未知但有界噪声干扰的系统，传统的卡尔曼滤波算法由于其自身的局限性而无法使用。于是，集员滤波算法被开发了出来。卡尔曼滤波算法是在均方意义下寻找最优状态估计，而集员滤波则不同。集员滤波并不需要寻找状态估计的最优值，它的目的是将系统某时刻所有可能的能够与测量数据、结构模型和噪声扰动假设相符合的所有状态的集合。在该集合中的每个元素都有可能成为系统此刻的真实状态。跟传统的随机噪声假设相比，未知但有界噪声及其与之相对应的用来描述该系统模型的集员滤波算法具有如下优点：

（1）无论是传感器节点的测量误差还是建立系统状态空间模型所产生的误差等等都可以看成是具有有界限的误差。对于这些误差而言，未知但有界噪声假设在许多场合下比随机噪声假设更适合实际应用；

（2）未知但有界噪声假设所需的先验知识较少。它只要求明确干扰的界限，而无需考虑在此界内的分布情况，因而在未知但有界噪声假设下的滤波算法——集员滤波算法比在随机噪声假设下的滤波算法更具鲁棒性。此外，系统处于未建模情况下的动态所带来的误差亦可以看做是未知但有界噪声，因此集员滤波算法也更适合在系统未建模动态的情况下使用；

（3）集员滤波算法可给出未建模动态的硬界描述，因而能满足鲁棒控制对模型知识的要求。尽管具备以上这些优点，需要指出的是，目前关于集员滤波的研究大都针对传统的集中

式系统以及一般的网络化系统，而基于传感器网络研究分布式集员滤波策略，相应的研究结果鲜有见诸文献，依然充满挑战。

为此，本文的目标是通过传感器网络来为受未知但有界噪声和传感器饱和约束的一类离散时变非线性系统设计一个事件触发型的集员滤波方案来达到对系统状态估计的目的。并且能够解决以下几个问题：

（1）如何处理在统一的框架下设计滤波分析与合成的触发条件；

（2）如何量化给定的拓扑结构、扇区非线性、未知但有界噪声以及传感器饱和对滤波器性能的影响；

（3）如何表示触发阈值和滤波器性能之间的关系。换句话说，如何在滤波精度和触发阈值之间找到折中值以便在滤波器性能和系统触发频率之间找到最优解。

1.5本文章节内容安排

本文第一章内容简单介绍了一下传感器网络的发展现状、基本概念和应用领域。简述了其基本物理器件构成和拓扑结构。提出了一些传感器网络的状态估计当中的一些问题，并通过当前存在的问题表明了本文的研究内容和主要创新点。

其余的第二章内容用公式表达了有未知但有界噪声和传感器饱和约束的非线性离散时变系统的基于事件触发的分布式集员滤波器设计问题。而主要的研究成果被放在第三章，其中通过集员滤波算法以及RLMIs方法为所需滤波器的设计提供了充分条件。第四章给出了一个饱和边界作为算法例证并且在之后给出了结论。