1.基于迭代学习估计器抑制未知周期性干扰的状态估计方法，其特征在于，包括如下步骤：步骤1.建立考虑未知周期性干扰的非线性系统的状态空间模型；

步骤2.建立累加和型事件触发机制调度下的传输模型，用于实现传感器的测量输出端与迭代学习估计器接收端之间的数据传输，以减少不必要的传输，节省通信资源；

步骤3.给出估计误差系统的性能指标，计算迭代学习估计器的增益参数；

步骤4.建立迭代学习估计器的模型，将步骤3求得的迭代学习估计器的增益参数代入迭代学习估计器的模型中，利用迭代学习估计器计算非线性系统的状态估计值；

所述步骤1具体为：

考虑未知周期性干扰的非线性系统的状态方程如公式(1)所示；

其中，k表示采样时刻； 为非线性系统不能直接量测的状态向量； 为非线性系统能获得的测量输出； 表示p维欧氏空间；

是满足下面Lipschitz条件的非线性函数：其中，A是已知的具有适合维度的常矩阵；

F是已知的正定对角阵；δ表示与系统状态维数相同的向量；

为未知的周期性干扰，其周期是已知的N，即：噪声满足ω(k)＝ω(k+N)；

是幅值有界的未知干扰，其已知上界为σ≥||v(k)||；

其中， 分别表示l、m维欧氏空间；

参数B、C、D和E是已知的具有适合维度的常矩阵；

所述步骤2具体为：

定义触发时间序列：

其中，k0、k1、k2…ks…皆是表示触发时刻；定义如下事件发生器Tρ(ξ(k)，θ(k))＝ξ (k)ξ(k)‑θ(k)       (2)其中， 表示q维欧氏空间；

ξ(k)表示触发误差， y(ks)表示距离当前时刻最接近的触发时刻所对应的系统输出值，其中定义ks为距离当前时刻最接近的触发时刻，s为自然数；

θ(k)是阈值参数，θ(k)＞0；θ(k)的定义规则如下：其中，θ0和θ1是给定的正数；

α是计算得出的一个正整数，表示当前时刻k所处的是第几周期，其计算公式为N表示周期的长度，ξ(i)表示i时刻所对应的触发误差，i表示时刻的计数变量；

当下列条件即公式(4)成立时，当前的测量输出值y(k)才发送给迭代学习估计器；

其中，ks+1表示距离当前时刻k最近的触发时刻；

采用零阶保持机制，迭代学习估计器接收到的实际输出表示为下列形式：其中， 表示在当前时刻k时迭代学习估计器所能接收到的实际输出。

2.根据权利要求1所述的状态估计方法，其特征在于，所述步骤3具体为：

给定估计误差系统的如下性能指标：其中，e(k)代表估计误差；

β＞0， 和 都是假设存在的正常数，是最终的界；

构造如下的李亚普诺夫泛函：

其中，V(k)表示与系统状态估计误差和周期性干扰估计误差相关的二次型李亚普诺夫函数，∈＞0是给定的正常数，n(i)表示在i时刻周期性干扰的估计误差；

是待求的矩阵变量；结合V(k)的表达式，求解下列满足公式(6)的线性矩阵不等式(8)至(11)，获得迭代学习估计器的增益K和增益L：其中：

其中，I表示单位矩阵；

和 是待求的矩阵变量；

a、b、a1、a2、a3、a4和a5是待求的标量变量；

满足约束：min tr(PM)＝2p    (9)满足约束：min tr(QN)＝2p    (10)满足约束：min tr(ab)＝2    (11)。

3.根据权利要求2所述的状态估计方法，其特征在于，所述步骤4具体为：

给出迭代学习估计器的模型，如公式(12)所示；

其中， 表示在k时刻对系统状态x(k)的估计值； 表示在k+1时刻对系统状态x(k+1)的估计值；h(k)表示在k时刻对周期性干扰Bw(k)的估计值；

表示在k时刻对系统输出y(k)的估计值； 表示在k+1时刻对系统输出y(k+

1)的估计值； 表示在k+1时刻迭代学习估计器所接收到的系统实际输出值；

将步骤3求得的迭代学习估计器的增益K和增益L，代入上述迭代学习估计器的模型即公式(12)中，然后利用迭代学习估计器计算非线性系统的状态估计值。