赵国荣，廖海涛，韩 旭，王元鑫

（海军航空大学，山东烟台264001）

近年来，网络化多传感器融合估计以其一系列优点已被广泛应用于环境监测、目标跟踪、导航定位等领域[1-7]。分布式一致性融合估计算法以其收敛速度快、融合精度高等优点引起了广泛的关注与研究[8-12]。该类算法中每个传感器节点均能视为融合节点，通过利用局部信息一致化全局信息，最终使得所有传感器节点对目标的估计趋于一致[13-16]。文献[13]设计了一种卡尔曼一致性滤波算法（KCF），各传感器节点接收邻居节点的测量值、状态估计值和协方差值并进行一致化处理，使得所有传感器节点的估计值趋于一致。为了提高KCF算法的估计精度和一致性，文献[14-15]分别对KCF算法进行了改进。前者通过对协方差矩阵进行加权一致化处理，提出了一种信息矩阵加权一致性滤波算法（IM-KCF），并对加权系数进行了优化。后者则是通过一致化邻居节点前一时刻的状态估计值来修正局部状态预测值，并给出了一种一致性增益的取值方法。文献[16]通过设计滤波器增益的方法提出了一种基于一致性的线性滤波算法，该算法仅需交换各节点的局部状态估计值，相比KCF算法计算量大大减少。以上文献均没有考虑网络丢包问题。

在实际的应用中，由于网络堵塞、外界干扰、传感器故障等因素影响，网络丢包不可避免。丢包问题往往造成分布式一致性估计算法的估计精度变差、抗干扰能力减弱，甚至导致系统变得不稳定。……