1.一种基于二值传感器有界递归优化融合的血液氧气含量估计方法，其特征在于，所述方法包括以下步骤：步骤1：建立血液氧气含量动态生理模型和二值量测模型，分析二值传感器量测中的有效信息，得到实际的量测模型，过程如下：

1.1血液氧气含量动态生理模型的表达式为a(t+1)＝(1-f)(1.34Hb+0.003(c1u(t)+c2(t)e(t))) +f(a(t)-μ)+w(t)           (1)其中，a(t)是动脉氧气含量，u(t)是吸入空气的氧气百分比，f表示分流的血液比例，e(t)是呼出二氧化碳的分压，Hb是血液中的血红蛋白浓度，μ是新陈代谢对氧气含量的影响，c1是常量，c2(t)＝(1-u(t)[1-RQ])/RQ，RQ是测量得到的新陈代谢中氧气和二氧化碳的比例，w(t)是有界噪声；

1.2重写血液氧气含量动态模型为

x(t+1)＝Ax(t)+Bw(t)+U(t)    (2)其中氧气含量a(t)定义为系统状态x(t)，A＝f，B＝I，U(t)＝0.003(1-f)c1u(t)+0.003(1-f)c2(t)e(t)+1.34(1-f)Hb-fμ，为了更好地设计估计方法，后面的设计过程不考虑常量项U(t)；

1.3血液氧气含量二值量测模型

zi(t)＝Cix(t)+Divi(t)，i＝1，…，L   (3)其中 是传感器感知到的变量，由一些临床医生控制的肺部输入构成，包括潮气量、呼吸速率和吸气峰值，Ci和Di是已知的矩阵，vi(t)是有界噪声，yi(t)是二值传感器的二值量测输出，τi是二值传感器的固定阈值，yi(t)根据zi(t)落在阈值τi之上还是之下输出+1和-1两种值；

1.4给定有界噪声w(t)和vi(t)其中δw和 分别是过程噪声和量测噪声的上界，且是未知的；

1.5根据yi(t)的定义，每个二值量测在每个时刻只能提供有限的信息量，但是当yi(t)改变符号，即yi(t)yi(t-1)＜1时，能够判断出阈值τi肯定在区间zi(t)和zi(t-1)之间，此时阈值τi能够表示成zi(t)和zi(t-1)的凸组合(0.5-αi(t))zi(t-1)+(0.5+αi(t))zi(t)＝τi    (6)其中αi(t)∈[-0.5，0.5]用于描述上述关系，是一个不确定的参数，具体的值不可知也不可观测，同时，定义这样的时刻是传感器的切换时刻；

1.6定义t时刻遭遇切换时刻的传感器集合

1.7定义t时刻没有遭遇切换时刻的传感器集合

1.8在 不是空集时，在切换时刻的实际量测建模为如下不确定方程步骤2：设计本地估计器，给出估计误差平方的一个上界，确保此上界成立并最小化估计误差平方上界以构造带约束的最优化问题，通过求解此优化问题设计最优本地估计增益，过程如下：

2.1设计本地递归估计器

其中Ki(t)是需要设计的本地估计器增益；

2.2定义本地估计误差ei(t)

2.3定义本地增广噪声ξi(t-1)

2.4定义矩阵

2.5定义矩阵

2.6本地估计误差ei(t)满足

2.7设计本地估计误差平方上界

其中Pi(t)和Θi(t)是任意的正定矩阵；

2.8定义矩阵

2.9定义矩阵Ei

2.10构造带约束的最优化问题求解最优本地估计增益Ki(t)，使得估计误差上界最小化且确保本地估计误差上界成立其中∈i(t)和θi(t)是需要优化的变量，此优化问题通过MATLAB的线性矩阵不等式工具箱求解；

步骤三：设计分布式有界递归优化融合估计器，通过最小化估计误差平方上界以设计最优融合权重矩阵，过程如下：

3.1定义指示变量η(t)

3.2设计分布式融合有界递归估计器

3.3定义增广的本地估计误差eF(t)

3.4定义融合估计误差e(t)

3.5定义增广权重矩阵W(t)

[W1(t) … Wm(t)(t)]    (24)

3.6融合估计误差表示为

e(t)＝W(t)eF(t)(m(t)＞0)    (25)

3.7定义融合增广噪声ξ(t-1)

3.8由于增广的本地估计误差eF(t)只与eF(t-1)和ξ(t-1)，定义向量

3.9设计融合估计误差的上界

其中P(t)、γ(t)和Θ(t)都是正定的矩阵；

3.10定义矩阵KM(t)

3.11定义矩阵KW(t)

3.12定义矩阵AF(t)

3.13定义矩阵

3.14定义矩阵

3.15定义矩阵E(t)

3.16定义矩阵BM(t)

3.17定义矩阵

3.18通过求解如下最优化问题得到最优融合权重矩阵W(t)，使得融合估计误差上界最小化并确保误差上界成立minΘ(t)＞0，P(t)＞0，∈(t)＞0，W(t)，γ(t)Tr{P(t)+Θ(t)}其中，∈(t)是需要优化的变量，此优化问题通过MATLAB的线性矩阵不等式工具箱求解，求解此优化问题得到最优融合权重矩阵并计算血液氧气含量的融合估计结果。