前言

为了适应不断增长的信息计算和感知需求，网络化系统常采用分布式结构用于提高系统的适应性、效率性和自动化性能，成功地应用在信息物理系统、智能电网、智能交通以及通信网络等重要领域。但是由于受到通信带宽等因素的制约，网络化系统不可避免地存在网络诱导的通信约束现象，这些现象通常会降低系统的性能。因此，研究网络引起的现象对于复杂网络化系统具有重要的意义。本书依据网络化系统中的空间定位与目标跟踪问题，研究分布式结构中信息传输受通信约束的信息融合策略，目的在于提高系统的可靠性和定位精度。主要内容概括如下：

首先，研究由视觉传感器获取的图像信息对其进行精确识别，这是准确定位目标的基础。提出一种基于活动轮廓模型的多相双曲线图像分割方法，该方法采用最大似然估计和期望最大化算法建立N个水平集函数，并把灰度图像分割成2N个子区域。在每个目标子区域，该方法主动将双曲线演化函数嵌入水平集方程，因此图像轮廓的演化曲线能够双边扩展。该方法对于抵抗噪声干扰具有鲁棒性，能够提高图像分割的精度。

其次，依据不同功能的传感器测量得到的复杂数据集，提出一种新的具有鲁棒性的数据集分类方法，该方法利用邻居搜索和内核模糊C均值进行数据遍历和聚类。一些优化的策略包括邻居搜索、控制聚类形状和自适应距离核函数，分别用于解决聚类数目、分类方法的稳定性和一致性的问题。经过理论分析，提出的方法具有抵抗噪声干扰的鲁棒性能，可以降低数据集分类过程中参数不确定性的影响，进而更好地将测量信息应用于分布式系统的信息融合。

第三，研究了受传输时延和交叉相关噪声影响的不确定网络化系统的状态估计问题。提出一种基于鲁棒卡尔曼滤波的分布式感知和集中式融合方法，该方法能够提高具有扰动的测量的估计精度。为了描述分布式系统的信息交互，提出一种加权融合重组新息策略，用来降低计算负担并且抑制噪声的干扰。此外，为了获得最优的线性无偏估计，研究的融合估计方法使用加权误差互协方差实现信息交互，该方法是对每个子系统的再次优化，能够获得更精确的估计值。

第四，针对一类离散时间随机不确定系统研究了其建模和滤波问题。由于数据在传输过程中不可避免地受到随机传输延迟、数据包错序以及相关性噪声的影响，为了确定是否保持数据包错序现象，系统模型的建立分别采用了零阶保持器和逻辑零阶保持器两种信号选择方案。基于所建立的系统模型，应用扩展状态空间和最小化误差协方差矩阵方法，提出了鲁棒有限时域卡尔曼型滤波策略。该滤波方法的估计协方差矩阵可以通过其上界约束推导得到。为了提高滤波器的处理效率，提出一种基于估计的线性时滞补偿策略，用于处理传输时滞现象，并应用在带有时间戳的重组测量序列中。此外，为解决测量缺失以及减轻计算负担，采用一种假定的延迟补偿方法，实现一步预测估计。通过对动态跟踪系统的仿真，结果表明该滤波方法能够紧密跟随系统的实际状态。

最后，在上述理论研究并通过仿真结果验证了所提方案有效性的基础上，结合3D光电传感定位系统，分析了基于线性CCD的空间定位方法。针对测量得到的空间目标，对其运动轨迹进行了跟踪与估计，提出了一类离散时间不确定系统的建模与估计方法，考虑了数据在从设备到估计器的传输过程中含有网络诱导的随机时延、丢包以及数据包错序的情况。为了丢弃数据包错序进而提高系统性能，系统模型的建立依据逻辑零阶保持器方案。基于有时间戳的重组测量序列，设计鲁棒有限时域卡尔曼型滤波策略，用于估计误差协方差的约束上界。此外，为了获得最优的线性估计，提出了加权的融合估计方法，用于探测信息协作的误差互协方差矩阵。仿真结果表明所提出的方法能够降低网络通信负担，抑制通信约束对测量信息的影响，进而实现提高空间定位精度的目的，具有良好的应用前景。

〖4〗分布式网络化系统信息融合〖2〗前言〖4〗