由于单个节点自身所能携带的能量较为有限，且一些复杂的应用环境容易使节点工作异常，一般系统都要求传感器网络具有较好的鲁棒性。为了更好地适应复杂环境，增强网络抗干扰的性能的和实时性，一些学者开始了对分布式融合机制的研究。在该机制中，每个传感器仍然都是信息处理中心，但只和自己的邻居节点进行信息的通讯，这样大大降低了整个系统的能量损耗；并且网络中的节点可以根据当前的实际情况(如某些传感器发生故障或者能量不足等)重新调整网络，节能和容错能力大大提高；同时，该机制能很好的适应诸如：数据丢包、长时延、有限带宽等外界干扰。表1给出了三种融合机制的性能分析比较。

表1  三种融合机制性能对比

   1.4 本文的内容安排

本文将深入分析一种基于一致性的分布式滤波算法——卡尔曼一致滤波算法(KCF)，即将一致性算法和卡尔曼滤波算法相结合应用于多传感器网络的协同估计中，该算法不需要融合中心，仅在邻居节点间交换信息，并且最终所有传感器的估计值将达到一致。介绍了该算法的发展及完善的过程，并从精度、跟踪性能、容错能力等方面分析该算法的优点和不足；接着针对该算法计算量、通信复杂度较大等问题介绍了一种简化算法，对简化算法中不当之处进行修正，并从融合步骤、计算量、实时性等方面对比分析KCF算法和修正后的简化KCF算法；最后研究了带牵制控制的一致性滤波器。全文共有4章，各章的具体内容如下：

第1章绪论，主要介绍了基于一致性的滤波算法的研究背景及国内外学者相关的研究成果，接着给出了多传感器信息融合的相关理论，包括概念、基本算法和几种融合机制的比较，重点讨论了本文所要研究的KCF算法相比于其他分布式算法所具有的优势。

    第2章基于一致性的卡尔曼滤波算法，主要介绍了几种经典的卡尔曼一致滤波算法，并且根据卡尔曼滤波算法的基本原理，对王帅等学者在《自动化学报》上提出的一种简化KCF算法中存在的不妥之处进行了修改，并在下文中由仿真给出修正后的算法相比未修正算法的性能改善之处；最后给出了存在网络丢包时的算法。文献综述

第3章仿真结果与分析，本章的主要任务是对第2章中给出相关内容进行数值仿真。首先验证了修正前后简化KCF算法的性能改善情况，然后对比分析了KCF算法和简化的KCF算法的性能，接着讨论了迭代步长与系统估计性能的关系，并提出相应的步长改进方案提高估计精度；最后仿真并讨论了网络中存在丢包现象时对估计结果的影响，给出了丢包率与估计精度大致的关系，并验证了改进方案的有效性。

第4章带牵制控制的一致滤波器，本章在卡尔曼一致滤波器中引入牵制控制达到节省网络能耗的目的，并介绍了特定牵制和随机牵制两种控制策略；接着通过仿真分析了影响控制精度的因素，并且从估计误差和网络同步化两个方面对比分析了两种不同的控制策略，为工程应用提供有益的参考。