1.基于集员估计的事件触发传输复杂网络的状态估计方法，其特征在于，包括如下步骤：

S1.建立复杂网络的各节点的状态空间模型，如公式(1)所示：式中，k表示采样时刻； 为复杂网络第i个节点的状态， 为复杂网络第j个节点的状态， 表示nx维欧氏空间；

为复杂网络第i个节点的输出， 表示ny维欧氏空间；

即gi为定义在自然数集 与nx维欧氏空间的笛卡尔积上，函数值在nx维欧氏空间中取值的非线性向量值函数，对于实际的系统，gi满足二阶偏导连续；

A＝(aij)N×N表示复杂网络的外部耦合矩阵，若复杂网络的两个节点i与j存在连接，那么aij＞0，否则，aij＝0；aii满足： i＝1，2，...，N，j＝1，2，...，N；

表示复杂网络的内部耦合矩阵；

其中，γ1，γ2，...， 分别表示非负的内耦合系数；

vi(k)表示有界噪声， 表示nv维欧氏空间；其中，表示已知的全对称多胞形，κi为已知的正标量， 表示nv维单位矩阵；

Bi(k)、Ci(k)、Di(k)均为已知的时变矩阵；

xi(0)表示复杂网络的初始运行条件，<0，Gi，0>为已知的全对称多胞形；

S2.建立事件触发机制调度下的复杂网络的各节点向集员估计器传输数据的模型；

对于复杂网络的节点i，以序列 表示该节点i发送其输出的时刻，这些时刻由下述公式(2)迭代计算得到：公式(2)表示对于复杂网络的第i个节点，触发时刻 之后的最早的满足触发条件的时刻即为该节点i的下一个触发时刻；

其中， 分别表示节点i的第s+1个与第s+2个触发时刻；

表示事件触发装置中设置的触发函数；

表示触发条件，σi＞0为设定的参数， 表示节点i的k时刻的输出yi(k)与距k时刻最近的触发时刻 的输出 之差的欧几里得范数；

在事件触发机制的调度下，对复杂网络的各节点的状态空间模型(1)设计集员估计器；

其中，集员估计器的输入 表示为：式(3)表示时刻k若是触发时刻，则集员估计器的输入即为该时刻系统节点的输出，反之，若时刻k不是触发时刻，则集员估计器采用上一触发时刻的输入作为当前时刻k的输入；

S3.计算集员估计器的估计参数Ki(k)；

在时刻k，集员估计器的估计参数Ki(k)由下述公式(4)计算得到：其中，公式(4)中各个参数的含义分别如下：J(k)＝diag{J1(k)，J2(k)，…，JN(k)}，对于i＝1，2，…，N，Ji(k)由如下求偏导运算得到：式中， 表示复杂网络第i个节点状态的估计值；

B(k)＝diag{B1(k)，B2(k)，...，BN(k)}；C(k)＝diag{C1(k)，C2(k)，...，CN(k)}；

D(k)＝diag{D1(k)，D2(k)，…，DN(k)}；

其中，

矩阵G(k)表示在时刻k，系统状态的真实值所在的全对称多胞形的生成矩阵；

矩阵G(k)由下面公式(5)迭代计算得到：G(k+1)＝[G1(k+1) G2(k+1) G3(k+1) G4(k+1)]   (5)其中，

K(k)＝diag{K1(k)，K2(k)，...，KN(k)}；

其中，K1(k)，K2(k)，...，KN(k)由Ki(k)中i分别取1，2，…，N得到；

为范围已知的区间矩阵；

其中，Δ(k)＝diag{Δ1(k)，Δ2(k)，…，ΔN(k)}；

||Δi(k)||max≤1，||Δi(k)||max表示矩阵Δi(k)的元素的绝对值的最大值；

R(k)＝diag{R1(k)，R2(k)，…，RN(k)}；

其中， 表示gi(k，xi(k))的第p个分量，p＝1，2，…，nx； 为在闭区间[0，

1]上取值的变量；s∈{1，2，…，nx}，t∈{1，2，…，nx}；

表示矩阵 的各列元素的绝对值之和的最大值；

Gi(k)表示包含有第i个节点的真实状态的全对称多胞形的生成矩阵，由G(k)直接给出；

<0，Gi(k)>表示包含有第i个节点的真实状态的全对称多胞形；

对于区间矩阵X：

其中， 表示区间矩阵X的第q行第o列的元素；

xqo与 为已知的常数，xqo表示区间的左端点， 表示区间的右端点；

运算mid(X)表示X它的中点，即：运算 由下式给出：

其中， 表示变量定义符号；

由此计算 及 进而计算得到G2(k+1)；

G3(k+1)＝‑K(k)∑；

G4(k+1)＝(B(k)‑K(k)D(k))Gv；

G(k)的初始值为G(0)＝diag{G1，0，G2，0，…GN，0}，Gj，0表示已知的矩阵，j＝1，2，…，N；

S4.构建集员估计器，计算包含有复杂网络的真实状态的全对称多胞形估计集，其中，全对称多胞形估计集的表达式如公式(6)所示：其中，公式(6)表示包含有系统状态真实值的全对称多胞形；

全对称多胞形的中心 如公式(7)所示：式中， 表示复杂网络第i个节点状态的估计值，其迭代公式如下：式中， 表示迭代的初始值；生成矩阵G(k)由公式(5)迭代计算；

当估计器参数Ki(k)采用式(4)时，由式(6)‑(8)得到的全对称多胞形的F‑范数最小，在其生成矩阵的F‑范数意义下，包含有复杂网络的真实状态的状态估计集尺寸最小。