在当今的大数据时代,复杂网络已经逐步引起国内外学者的广泛关注。对复杂网络进行深入细致的研究,往往需要所有节点的信息。然而,由于网络节点数量过于庞大,很难获得所有节点的有效信息。因此,为了深入细致地研究复杂网络,必须设计相应的估计算法对节点状态进行有效地估计。与此同时,考虑到数据在通讯信道进行交换和传输过程中,不可避免地会产生一些通讯受限现象,比如通讯时滞、测量丢失等等,故在通讯受限情形下,如何设计有效的状态估计算法具有十分重要的现实意义,也是复杂网络研究中一个亟待解决的难题。本文将针对几类通讯受限情形下的时变随机复杂网络,设计递推状态估计算法,具体内容如下:1.研究一类具有随机发生非线性和连续丢包的时变复杂网络状态估计问题。为了节省网络资源,提高数据传输效率,引入了事件触发传输机制。采用范数有界不确定性来描述系统的建模误差,并且引入服从Bernoulli分布的随机变量来刻画网络拓扑结构的时变特性。基于可获得的信息,构造出时变弹性状态估计器。然后,利用随机分析技术,找到估计误差协方差矩阵的上界。再次,通过设计估计器增益矩阵优化该上界。最后,通过MATLAB算例仿真,验证该估计算法的实用性。2.针对具有耦合时滞和随机发生传感器饱和的时变复杂网络,探讨该类复杂网络的事件触发非脆弱状态估计问题。引入两列相互独立的且服从Bernoulli分布的随机变量,分别刻画复杂网络内部耦合时滞和随机发生传感器饱和的随机特性。通过引入事件触发机制,保证网络资源的利用率。基于可测量的输出信息,构造递推的非脆弱状态估计器。然后,应用不等式处理技术,得到估计误差协方差矩阵的上界。接下来,构造适当的估计器增益矩阵最小化该上界。最后,通过MATLAB算例仿真,说明所设计估计方法的可行性和有效性。3.研究部分节点测量信息已知的时变复杂网络状态估计问题。通过引入服从Bernoulli分布的随机变量,刻画系统中随机发生的非线性。此外,为了使状态估计算法具有鲁棒性,通过引入满足范数有界不确定性的参数矩阵刻画估计器增益摄动情形。基于可获得的部分节点的有效信息,构造时变鲁棒状态估计器。然后,利用随机分析技术,找到估计误差协方差矩阵上界,并且设计一个可以最小化该上界的估计器增益。最后,利用MATLAB算例仿真,验证所提出算法的有效性。