1.一种基于量化和事件的集值卡尔曼滤波方法，其特征在于包括如下具体步骤：(1)对于传感器能量与网络带宽同时受限的无线传感器网络融合估计系统，利用事件触发器与量化器包含的信息确定原始测量值区域范围；

(2)采用凸优化理论给出了超级矩形区域的最紧近似椭球集；

(3)给出网络带宽与传感器能量受限的集值卡尔曼滤波方法。

2.根据权利要求1所述的一种基于量化和事件的集值卡尔曼滤波方法，其特征在于，步骤(1)中所述原始测量值区域范围为：(1)考虑网络带宽受限，传感器能量不受限的情况，即不存在事件触发器，只有量化器。

任意一个传感器的测量值记为y(k)，其第i个测量分量yi(k)被对应的量化器i量化成一个消息mi(k)后通过无线通信网络传输到远程估计端。也就是说实际的观测值 经过量化器时，量化器按照相应的量化策略将落在一定区间内的观测值都量化成固定值 从而估计器端接收到的量化消息信道带宽的总比特数一定，给每个量化器分配不同的比特数融合中心会有不同的估计性能。这里设量化器i的量化比特数已经分配好且为li位，也就是消息mi(k)具有li位，可以得到

量化器i在区间 上共有 个量化点 这些量化点均匀的或者非均匀的分布在量化区间内，即满足

传感器的第i个测量分量为 则yi(k)可按如下方式被量化到或者

远程端接收到的消息 则可利用量化器的量化规则信息判断实际的测量分量 这个区间的中心点和半径分别为：

即传感器s的原值测量值分量的区间范围是{yi(k)||yi(k)-ci(k)|≤ri(k)}(2)考虑传感器能量受限情况的存在，基于事件触发的数据触发器嵌入在传感器内。在每个时刻k，传感器的测量值分量yi(k)被直接传输到事件触发器，同时触发器保存了上一次传输出去的测量分量值yi(τk)，其中τk为最后一次触发器把测量值传输到量化器的时刻。

基于yi(k)和yi(τk)，触发器根据下面的事件触发条件计算γi(k)：

其中，i＝1,2,...,m，εi是调整参数决定事件触发器的敏感性。只有当γi(k)＝1时，传感器s才把yi(k)传输给量化器。因此，如果γi(k)＝1，则yi(k)经量化器量化成消息之后传到估计器端，从而估计器可以反推出测量值分量的区间范围；否则，估计器端由于没有接收到消息而只知道测量值与上一次传输值的距离在εi范围内，即|yi(k)-yi(τk)|≤εi而估计器端并不知道触发器最后一次的传输值yi(τk)，它只知道yi(τk)的量化消息值mi(τk)，因而需要对原始测量值的区域范围进行重新表示。

根据接收到的量化消息值和估计器端事先知道量化策略，设中心点和区间半径分别为

因此，可以得到下式：

|yi(τk)-ci(τk)|≤ri(τk)通过数学放缩得到

|yi(k)-ci(τk)|≤|yi(k)-yi(τk)+yi(τk)-ci(τk)|≤εi+ri(τk)

令，Υi(τk)＝εi+ri(τk)，则k时刻传感器的测量值分量yi(k)位于以ci(τk)为中心，以Υi(τk)为半径的区间内。

3.根据权利要求1所述的一种基于量化和事件的集值卡尔曼滤波方法，其特征在于，步骤(2)中所述采用凸优化理论确定超级矩形区域的最紧近似椭球集为：定义原始测量值y(k)的集合区域为Ω:＝{y(k)∈Rm||yi(k)-ci(τk)|≤Υi(τk),i＝1,2,...,m}它是一个m维超级矩形，各个边的长为2Υi(τk)，这个区域也就是原始观测值所在的集合区域，现在的目标是找到一个最紧的外部椭球体包含Ω。定义 为包含Ω的最小椭球体，并且满足

其中，c(τk)＝[c1(τk)，c2(τk),...,cm(τk)]，diag表示取对角矩阵操作，记

δ(k)的值可以按下式计算

其中，

在每个采样时刻，估计器端都可以知道观测值被包含的最紧椭球集合区域为ε(c(k),(δ(k))2Y(k))。

4.根据权利要求1所述的一种基于量化和事件的集值卡尔曼滤波方法，其特征在于，步骤(3)中所述网络带宽与传感器能量受限的集值卡尔曼滤波方法为：S1、确定初始值，即初始状态估计集合 初始状态协方差矩阵P0、初始时刻k＝0、初始预测误差协方差矩阵Pp(k)＝P0；

S2、当k≥0时，计算误差协方差矩阵P(k)＝Pp(k)-Pp(k)CT(CPp(k)CT+R)-1CPp(k)，计算闭T -1环矩阵 计算滤波增益矩阵K(k)＝AP(k)CR ，计算状态集合

S3、利用方程 得到c(τk)，Υ(τk)；

S4、利用公式

得到测量值集合的椭球

近似ε(c(k),β2(k)Y(k))；

S5、计算参数p即

S6、计算状态估计集合的中心值 状态估计集合的椭球矩阵

S7、状态估计集可以描述为