1.一种应用于光电传感网络中的事件触发异步状态估计算法，其特征在于，包括如下步骤：步骤A、异步传感器网络中传感器数目为N，在(tk-1，tk]时间段内共有Nk个量测值，建立目标状态估计的非线性动态模型，设定初值，得到该模型的目标状态变化方程、量测方程和融合中心的累积量测值集合步骤B、建立事件触发机制，在相应事件触发后，控制各传感器与融合中心间的信息交互过程；

步骤C、在所述步骤A的动态模型中引入事件触发机制，各传感器通过事件触发机制判断是否将完整量测值发送至融合中心，若不发送则由融合中心产生虚拟量测值，利用贝叶斯估计得到融合中心在k时刻的目标状态预测估计值 及其估计误差Pk|k-1、量测值步骤D、综合所有量测值以增广形式Zk表示，令Zk＝Hkx(tk)+ηk，计算量测噪声ηk与过程噪声w(tk，tk-1)的协方差 得到：在事件触发机制下的异步传感器网络信息融合问题中，过程噪声与量测噪声相关；

步骤E、基于所述步骤D的结论，利用修正Kalman滤波算法，得到融合中心最终在k时刻关于目标状态xk的估计值 及其估计方差Pk|k；

步骤F、重复所述步骤C至E，计算下一时刻的目标状态的估计值及其估计方差。

2.根据权利要求1所述的一种应用于光电传感网络中的事件触发异步状态估计算法，其特征在于，所述步骤A中目标状态变化方程为：x(tk)＝Φ(tk，tk-1)x(tk-1)+w(tk，tk-1)其中，x(tk)表示目标在tk时刻的状态，x(tk-1)表示目标在tk-1时刻的状态，Φ(tk，tk-1)表示状态转移矩阵，w(tk，tk-1)表示过程噪声，为零均值高斯白噪声，方差为Q(tk，tk-1)；

所述量测方程为：

其中， 表示传感器i在时刻 量测得到的第j个量测值， 表示相应的量测矩阵， 表示零均值高斯量测噪声，方差为Ri；

所述融合中心在k时刻及以前得到的累积量测值集合为：其中， 表示融合中心在(tk-1，tk]时间段内得到的量测值集合。

3.根据权利要求2所述的一种应用于光电传感网络中的事件触发异步状态估计算法，其特征在于，所述过程噪声w(tk，tk-1)、量测噪声 初值x(0)相互独立。

4.根据权利要求2所述的一种应用于光电传感网络中的事件触发异步状态估计算法，其特征在于，所述步骤B中事件触发机制为：其中， 表示 时刻的量测值 是否发送至融合中心， 表示待定矩阵，δi表示门限因子；

若 传感器i发送量测值 至融合中心，若 融合中心生成虚拟量测值其中，

其中， 表示与 w(tk，tk-1)互不相关且在区域 内均匀分布的随机变量。

5.根据权利要求4所述的一种应用于光电传感网络中的事件触发异步状态估计算法，其特征在于，所述步骤C中融合中心在k时刻的目标状态预测估计值为：估计误差为：

Pk|k-1＝Φ(tk，tk-1)Pk-1|k-1ΦT(tk，tk-1)+Q(tk，tk-1)其中，融合中心在k-1时刻状态估计值为 相应的估计方差为Pk-1|k-1；

在时间段(tk-1，tk]内，融合中心收到关于传感器i在 时刻的量测值可统一为：其中，

6.根据权利要求5所述的一种应用于光电传感网络中的事件触发异步状态估计算法，其特征在于，所述步骤E中，融合中心最终在k时刻关于目标状态xk的最终估计值为：估计方差为：

其中， 为量测噪

声ηk的方差。

7.根据权利要求6所述的一种应用于光电传感网络中的事件触发异步状态估计算法，其特征在于，所述步骤B中事件触发机制的参数为：其中， 表

示矩阵 的迹。