1.基于GLMB滤波器的多传感器自适应控制方法，其特征在于，包括以下步骤：S1、各本地传感器分别采用广义标号多伯努利滤波器进行本地滤波，得到各个传感器本地的后验概率密度分布函数；得到的各个传感器本地的后验概率密度分布函数为：其中，π i (X)表示第i个传感器下目标状态集合X的后验概率分布，其中i∈{1,2,...,N}，X＝{x 1 ,…,x n }，x n 表示第n个目标的状态；Δ(X)满足 表示目标状态集合X的标签的个数 与目标状态集合中目标的个数|X|是相等的，其中δ为广义Kroneker delta函数， 表示集合X的标签集合，且满足 其中 x表示目标状态， 表示与状态x对应的标签，满足 为假设集合的离散空间； 表示与第i个传感器的多目标状态X的标签集合相对应的权重； 表示多目标指数分布，满足 其中 为概率密度函数，满足 S2、基于广义协方差交叉准则进行分布式融合；融合后的后验分布 表示为：其中， 表示标签集合L融合后的权重； 表示标签集合L融合后的概率密度分布；ω i 表示传感器i融合时对应的融合权重； 表示标签集合L对应的多目标指数混合；参数 表示传感器i的集合L对应的权值； 定义为传感器i的集合F对应的权值；参数 表示传感器i在集合F下对应的联合概率分布；F表示标签空间 的子集合；S3、进行多目标采样处理；具体实现方法为：对 进行多目标采样，得到一个采样集合Ψ S ：其中，M表示采样的数目，{X (1) ,...X (M) }表示对应的一个多目标采样集合；S4、设定管控步长H，同时假设预测过程中没有目标的出生与死亡，然后采用广义标号多伯努利滤波器对融合后的多目标后验分布进行H步伪预测；S5、计算每一个传感器i的每一种对应的可操作命令在理想环境下演化H步之后得到理想量测；具体实现方法为：每一个传感器i的每一种对应的可操作命令 在理想环境下演化H步之后得到理想量测，并用于更新处理：其中，i∈{1,...,N}， 表示第i个传感器所有可操控命令的空间集合；GLMB(·)表示利用广义标号多伯努利滤波器进行滤波的过程；理想环境是指无杂波、无噪声、发现概率为1的环境；S6、在每一个多目标采样下，对传感器进行两两分组，产生决策集合，分别对决策集合里的传感器对进行分布式融合处理，求得融合后的伪更新分布；具体实现方法为：在每一个多目标采样X (j) 下，对N个传感器进行两两分组，偶数个传感器则组成 个传感器对，产生的两两联合决策组合的集合为 奇数个传感器则组成 个传感器对和一个单独的传感器，产生的决策集合为 然后分别对决策集合里的传感器对进行分布式融合处理，求得融合后的伪更新分布，对于传感器对(i,i+1)，对应的分布式融合过程如下：其中，GCI表示利用广义协方差交叉准则进行融合的过程；S7、分别计算两两配对的控制决策组合下的柯西施瓦兹散度；S8、分别对各个传感器对选取局部最优的传感器控制决策；S9、将所有的局部最优的传感器控制决策合并成一个集合。
2.根据权利要求1所述的基于GLMB滤波器的多传感器自适应控制方法，其特征在于，所述步骤S7具体实现方法为：首先，在每一个多目标采样X (j) 下，对每一个决策组合 计算伪融合预测分布与该决策组合对应的融合后的伪更新分布之间的柯西施瓦兹散度值：其中，D CS 表示柯西施瓦兹散度：φ表示 ψ表示 K表示单位因子； 表示标签空间；L表示标签空间 中的一种集合；c表示与广义标号多伯努利密度φ(X)对应的假设集合空间中的一种假设；d表示与广义标号多伯努利密度ψ(X)对应的假设集合空间中的一种假设； 表示与广义标号多伯努利密度ψ(X)对应的假设集合空间； 表示广义标号多伯努利密度φ(X)中假设集合为c时的概率密度函数； 表示广义标号多伯努利密度ψ(X)中假设集合为d时的概率密度函数；然后在所有多目标采样集Ψ S 条件下，分别求出各个传感器对的柯西施瓦兹散度的期望值：
