1.一种传感器感知能力受限的随机集理论的分布式融合方法，其特征在于，包括：首先，对每部传感器的概率假设密度跟踪采用混合高斯模型进行表示；所述对每部传感器的概率假设密度跟踪采用混合高斯模型进行表示；具体表达式如下：其中，v k-1 (x)表示在k-1时刻的强度函数，x表示目标状态集合；J k-1 表示在k-1时刻的高斯分量的个数； 表示在k-1时刻第i个高斯分量的权重； 表示在k-1时刻期望为 方差为 的第i个高斯分量对应的高斯密度函数； 表示在k-1时刻第i个高斯分量的期望； 表示在k-1时刻第i个高斯分量的方差；然后，在融合之前执行以下过程：构造一个距离矩阵，然后对该距离矩阵进行行和列搜索，若存在某一行或列的元素的最小值大于预设门限，则将该元素作为融合后的结果；删除该目标状态对应的元素所在的行或列，搜索结束之后，将剩余的矩阵元素记为新的距离矩阵；所述构造一个距离矩阵具体为：根据两传感器的高斯分量之间的距离构造距离矩阵；其中，对于，p∈{1,...,N a },q∈{1,...,N b }，矩阵C中的元素C p,q 表示传感器a的第p个高斯分量和传感器b的第q个高斯分量之间的距离；最后，对新的距离矩阵中的元素采取修正融合权重的GCI融合准则进行融合处理；所述对新的距离矩阵中的元素采取修正融合权重的GCI融合准则进行融合处理，具体为：其中，上标-1表示矩阵求逆运算；s k (x)表示融合后的强度函数；N a 和N b 分别是传感器a和b的高斯分量在第k时刻的个数； 表示修正后的传感器a在第k时刻的第i个高斯分量的权值； 表示修正后的传感器b在第k时刻的第j个高斯分量的权重； 表示传感器a的第i个高斯分量与传感器b的第j个高斯分量在第k时刻的融合后的权重； 表示传感器a的第i个高斯分量与传感器b的第j个高斯分量在第k时刻的融合后的均值； 表示传感器a的第i个高斯分量与传感器b的第j个高斯分量在第k时刻的融合后的方差； 和 分别表示在第k时刻传感器a的第i个高斯分量和传感器b第j个高斯分量归一化后的权重。
2.根据权利要求1所述的一种传感器感知能力受限的随机集理论的分布式融合方法，其特征在于，所述对每部传感器的概率假设密度跟踪采用混合高斯模型进行表示之后还包括：A、建立预测模型，得到预测的多模型的高斯混合概率密度假设强度；具体包括以下步骤：A1、对幸存目标进行预测；其中，v S,k|k-1 (x)表示在k时刻幸存目标的强度函数；p S,k 表示k时刻幸存概率； 是幸存目标在k时刻的第i个高斯分量的期望，且满足： 其中F k|k-1 表示k时刻目标的状态转移矩阵； 是幸存目标在k时刻的第i个高斯分量的方差，且满足： Q k-1 表示在k-1时刻幸存目标的量测噪声方差；A2、对衍生目标进行预测；其中，v β,k|k-1 (x)表示在k时刻衍生目标的强度函数； 是k-1时刻第i个高斯分量的权重； 是k时刻衍生的第l个高斯分量的权重； 是幸存目标在k时刻的第i个高斯分量衍生出的第l个高斯分量的期望，且满足： 其中 表示在k时刻衍生目标的第l个高斯分量对应的状态转移矩阵； 是幸存目标在k时刻的第i个高斯分量衍生出的第l个高斯分量的方差，且满足：其中， 表示在k-1时刻衍生目标的第l个高斯分量对应的量测噪声方差；A3、对新生目标进行预测；其中，γ k (x)表示在k时刻时的新生目标强度函数；J γ,k 表示新生目标在k时刻的高斯分量的个数； 表示在k时刻第i个高斯分量的权重； 表示期望为 方差为 的第i个高斯分量对应的高斯密度函数。
3.根据权利要求1所述的一种传感器感知能力受限的随机集理论的分布式融合方法，其特征在于，所述归一化后的权值根据传感器接收到的目标估计值和传感器的位置之间的关系计算得到；表达式如下：其中， 表示在k时刻传感器s的第i个高斯分量的权重； 表示在k时刻传感器s的第i个高斯分量归一化后的权重。
4.根据权利要求1所述的一种传感器感知能力受限的随机集理论的分布式融合方法，其特征在于，还包括：对融合处理后的到的所有高斯分量进行剪枝处理；若剪枝处理后的高斯分量满足权重值大于0.5，则该高斯分量为目标状态。
5.根据权利要求4所述的一种传感器感知能力受限的随机集理论的分布式融合方法，其特征在于，所述剪枝处理具体为：其中，上标-1表示矩阵求逆运算；:＝表示赋值运算；L是满足门限的高斯分量集合； 和 分别是剪枝后的高斯分量的权重、均值和方差。
