1.一种基于牛顿迭代二值采样信号的参数鲁棒估计方法，其特征在于，包括以下步骤：S10，建立信号模型；

S20，计算最大似然估计的目标函数；

S30，初始化；

S40，计算目标函数的梯度值；

S50，计算目标函数的Hessian矩阵；

S60，通过线性搜索计算搜索步长αk；

S70，通过牛顿法更新待估计参数vk+1，更新的最终估计值为vML；

S80，判断梯度值精度；

S90，计算估计值wML；

其中，S60计算搜索步长αk后，再判断是否满足线性搜索条件，满足则执行S61，令αk＝δ2αk，δ2为预设的参数，0＜δ2＜1，并重新执行S60；否，则执行S70；

S80中梯度值精度若满足预设条件，则执行S90；若不满足预设条件，则返回执行S40。

2.根据权利要求1所述的方法，其特征在于，所述S10，建立信号模型，包括收集每个传感器节点的采样信号，每个传感器节点感知网络环境周围1比特信息yi，i＝1,2,...,N，二值EIV信号模型表示为：

其中 是待估计的未知参数矢量； 为已知的感测矢量； 是等效噪声，包含乘性噪声ei和加性噪声ni，乘性噪声ei和加性噪声ni相互独立且满足零均值的高斯分布，故 其中 σe为乘性噪声的标准差，σn为加性噪声的标准差；

接收到的信号 表示为：

其中，εi∈(1,‑1)为二值干扰噪声。

3.根据权利要求2所述的方法，其特征在于，所述S20，计算最大似然估计的目标函数，包括根据S10中的信号模型推算似然函数 通过 求出目标函数再将等效参数v＝w/σz带入目标函数 中，使其转换成一个新的凸函数其中，μ为扰动的差错概率，

4.根据权利要求3所述的方法，其特征在于，所述S30，初始化，包括设置待估计参数的初始值w0和初始搜索步长α0。

5.根据权利要求4所述的方法，其特征在于，所述S40，计算目标函数的梯度值，包括利用S20中目标函数计算相应的梯度值 其中，vk为第k次迭代后的等效参数估计值。

6.根据权利要求5所述的方法，其特征在于，所述S50，计算目标函数的Hessian矩阵，包括利用S20中目标函数计算相应的Hessian矩阵

7.根据权利要求6所述的方法，其特征在于，所述S60，通过线性搜索计算搜索步长αk，当满足条件 时，令αk＝δ2αk并重新执行S60，其中δ1和δ2均为预设的参数，0＜δ1＜1，0＜δ2＜1；否则执行S70。

8.根据权利要求7所述的方法，其特征在于，所述S70，通过牛顿法更新待估计参数vk+1，包括利用S40计算出的梯度值gk、S50计算出的Hessian矩阵Gk以及S60计算得到的搜索步长αk，通过公式 更新待估计参数vk+1。

9.根据权利要求8所述的方法，其特征在于，所述S80，判断梯度值精度，若|gk|＜ε(ε>0)则停止循环迭代并执行S90；否，则重新执行S40。

10.根据权利要求9所述的方法，其特征在于，所述S90，计算估计值wML；包括将S70中迭代得到的最终估计值vML代入到公式 中，得到估计值wML，其中，σn表示为加性噪声的标准差。