分布式融合估计、事件触发调度机制、无迹卡尔曼滤波器、随机传输延迟、传感网系统
分布式融合估计问题一直是研究的热点，尤其是在多传感器网络系统（MNSs）中，因为它们能提供更好的估计准确性、可靠性和鲁棒性。本文研究了带有随机传输延迟的多传感器非线性网络系统的事件触发分布式融合估计问题。
分布式融合估计是指将网络中各个节点的局部估计进行融合，以得到系统状态的最佳估计。这类问题通常在多传感器网络中出现，例如在故障检测、目标跟踪和定位等应用中具有重要意义。分布式融合估计的基本结构大致可以分为集中式、分布式和混合式等几种。
集中式融合估计是一种最直接的方法，它将所有传感器的数据发送到一个中心节点，由该节点进行数据融合和估计处理。然而，随着传感器数量的增加，传输的数据量会急剧增长，这可能导致通信带宽的严重不足。为了缓解这个问题，分布式融合估计方法应运而生。
分布式融合估计中，各个节点根据自己的测量数据独立进行局部估计，然后通过一定的融合策略对局部估计进行融合处理，从而得到全局估计。这不仅可以减少中心节点的计算负荷，而且还可以利用网络中的冗余信息，提高估计的鲁棒性和准确性。
而本文提出的技术则是基于事件触发调度机制，旨在减少不必要的测量传输。该机制为每个通信通道引入了一个事件触发机制，当测量值变化达到一定程度时才触发数据传输，从而减少数据传输的频率。
随机传输延迟是在通信网络中常见的问题，尤其是在无线网络通信中，数据包的传输可能会遇到不可预测的延迟。这些延迟可能影响系统估计的性能，因此在设计融合估计算法时，必须考虑这种随机延迟的影响。
无迹卡尔曼滤波器（UKF）是实现局部估计的一种有效工具，它是对传统的卡尔曼滤波器的扩展，用于处理非线性系统的状态估计问题。在本文中，UKF被修改以适应提出的融合策略，并用于计算局部估计。
为了降低随机传输延迟对融合估计的影响，并确保融合估计误差协方差的有界性，文章提出了基于序列协方差交叉融合技术的分布式融合估计算法。在该算法中，引入了一个长度为D的缓冲区，用于部分延迟测量值的检索。
通过对比仿真，结果显示提出的技术能够在每个通信通道中减少测量传输，同时仍保持令人满意的估计性能。这表明所提出的分布式融合估计方法在减少数据传输和保持估计精度方面是有效的。
本文主要研究了在多传感器非线性网络系统中，面对随机传输延迟时，如何通过事件触发调度机制和融合技术减少数据传输，同时保持融合估计性能的课题。研究结果为设计更高效的多传感器网络系统提供了理论基础和实际操作方案。
