本文主要以无线传感器网络(WSN)中的目标跟踪为研究背景,讨论基于量化信息的状态估计与数据融合方法。目标跟踪(目标状态估计)作为WSN的重要应用课题之一,它受到WSN中传感器节点本身能量与带宽的严格约束。本文通过引入测量信息量化,有效地解决了无线传感器网络的资源约束难题;结合量化信息和目标状态估计融合算法,为无线传感器网络目标定位跟踪提供了一条新途径。并且从系统性能角度对量化策略和信息融合进行优化,平衡系统性能和资源约束,从而有效的提升能量和通信带宽的利用率,进而提高系统的实用性。具体完成了无线传感器网络定位跟踪建模、量化策略和基于量化测量的噪声概率密度估计,以及基于量化新息的目标状态估计和信息融合及其性能分析等部分内容的研究,并最终为WSN中的低能耗高精度目标跟踪定位系统开发提供理论支持。第一章简要地介绍了本文的研究背景、研究内容以及基于量化信息状态估计这一研究领域的发展现状,并介绍了论文各章的逻辑关系及整体结构安排。第二章首先对本文所要讨论的问题进行具体描述,给出了问题的数学模型。接着简要介绍了常用的目标状态估计方法,即卡尔曼型滤波,及其相关性能。然后本章还讨论了量化测量系统的噪声概率密度估计问题,为以后各章设计讨论量化状态估计问题提供模型假设。最后简单介绍了系统不确定性和鲁棒性等概念。第三章为了节约传感器节点的能量和通信带宽,研究基于多水平量化的目标状态估计问题。文中提出了一种动态的量化新息传输策略,与国内外现有的固定比特传输策略相比,它可以更有效地利用传输信道。本章还给出了关于一般的向量状态-向量观测情形的量化观测状态估计问题的算法,同时还考虑了所提出算法的滤波性能。性能分析指出,该算法的估计精度几乎可以达到利用原始测量值估计所得到的精度。通过WSN中目标跟踪的仿真,将所提出算法的估计精度和基于原始测量的UKF以及现有的量化滤波算法的估计精度做了比较。性能分析和仿真结果都证实了该算法的性能较现有的量化算法的估计精度更高。第四章对基于量化测量新息的卡尔曼滤波(QIKF)进行随机稳定性、收敛性及鲁棒性等方面的研究。在这一分析框架中,考虑了预测测量值和量化误差之间的相关性,从而可以较严格地对估计误差协方差阵进行分析。通过将量化误差视为观测系统中的随机扰动,得到了等价的状态-观测系统。相应地,对于原系统的QIKF就变化成了关于等价系统的类卡尔曼滤波。本章在较弱的条件下获得了估计误差协方差阵的有界性,同时还获得了QIKF随机稳定性的充分条件。本章还讨论了QIKF的估计误差协方差阵与KF的估计误差协方差阵之间的关系,论证了其收敛性。与此同时,文中还详细讨论了量化水平的数目设定和QIKF对量化误差的鲁棒性之间的关系。最终,数字仿真结果证实了上述分析的有效性。第五章,在第三、第四章研究的基础上,为了提高QIKF的稳定性,本章给出了修正量化新息卡尔曼滤波(MQIKF)。这里是通过引入两个矩阵参数??1和??2到QIKF中来构建MQIKF。接着,文中分析了关于线性时不变系统的MQIKF的稳定性。具体而言,首先讨论了估计误差的统计性;其次讨论MQIKF的随机稳定性。通过引入一个对角矩阵,将量化误差纳入了性能分析框架。这也使得李亚普诺夫方法得以使用。通过这一分析,可以发现MQIKF的稳定性与引入的参数??1和??2之间的相互关系。此外,关于参数??1和??2的设计方法,文中也作了详细的讨论。数值仿真验证了本章中所提出的修正算法较现有的量化新息滤波算法更为稳定。第六章,在第四章研究的基础上,为了进一步节约融合中心的通信能量损耗,本章给出一种无线传感器网络中的量化信息融合方法。在这一融合框架下,传感器首先取得受噪声污染的测量值,然后将其量化并传送给融合中心。后者结合所有接收到的量化信息进行目标状态估计融合。本章中的分布式数据融合方法是建立在量化测量新息和分布式卡尔曼滤波的基础之上的。性能分析指出:该融合方法在2-比特带宽约束条件下,可以达到分布式卡尔曼滤波的百分之95.6的性能;3-比特带宽约束条件下,可以达到分布式卡尔曼滤波的百分之98.93的性能;但是融合中心所损耗的通信能量却大大减少。同时,本章中提出的量化融合算法对与测量野值还具有较好的鲁棒性。第七章在上述各章量化新息状态估计研究的基础上,针对WSN中(多)目标跟踪的任务需求,设计了基于量化新息跟踪算法的数据处理流程。同时对WSN中的实际情景模拟数据进行仿真,以验证上述各章中估计融合算法在相关应用场景中的实际性能。最后对全文所做的工作进行了总结,并指明了下一步研究的方向。