1.一种考虑相关噪声和随机参数矩阵的分布式融合方法，其特征在于，包括以下步骤：步骤S10，建立参杂有相关噪声和随机参数矩阵的系统模型；系统模型如下：n r

这里xk∈R是n维系统状态， 是mi维传感器测量，ωk∈R是r维系统噪声，相关噪声包括系统噪声和量测噪声，以及 是si维量测噪声，且是k时刻合适维数的相关随机参数矩阵，N是传感器个数，角标i代表第i个传感器，f和h是已知的非线性函数；

条件1：随机参数矩阵 是同步互相关的，与系统噪声及量测噪声不相关，且满足这里 和 分别表示 和 的(i，j)和(s，u)位置的元素；

条件2：ωk和 是相关的零均值白噪声序列，且满足定义 显然有 定义

这里 和 含义相同，只是代表不同的矩阵， 表示由 和 计算产生的矩阵，且θk和ηk与 和 独立；

对于两个矩阵 和 经过运算后的迹求导，一般有下面的结论成立将过程噪声及量测噪声重构为 i＝1，…，N，则系统(1)和(2)可重写为且重构后的噪声有如下关系：步骤S20，进行局部预测器设计，求解局部滤波器的一步预测均值和协方差；实现多传感器的非线性系统；

局部预测器设计：

其中，

这里， 表示由L中元素张成的空间，其中， 依据误差定义，有考虑到上式括号中的三项互不相关，则有其中

这里

其中，

这里， 表示g1中的信息在η1条件下计算，g2中的信息在η2条件下计算，且g1和g2表示两个非线性函数，η1和η2表示已经获得的量测；对第i个预测器，其初值取为将Ψ1，Ψ2，Ψ3带入(13)即可得局部滤波器一步预测互协方差矩阵，将(10)，(11)带入(8)(9)即可得一步预测均值；

利用局部预测信息对数据处理中心的先验信息进行修正，令Xk+1＝exk+1，则步骤S30，根据一步预测均值和协方差设计分布式融合预测器；具体如下：针对系统(5)和(6)，在条件1和2满足的条件下，分布式最优融合预测器设计如下：步骤S40，计算局部滤波器的新息及对应协方差矩阵；具体如下：针对系统(5)和(6)，新息及其协方差计算如下：其中，

为了简化起见，重写 为

则

新息互协方差为

步骤S50，利用局部预测器及新息，设计局部滤波器；具体如下：其中，

状态协方差计算如下：

考虑到 则有

带入协方差矩阵可得

互协方差矩阵计算如下

其中

求解过程与 相同；

步骤S60，基于局部滤波器的估计结果对分布式融合预测器的预测值进行修正，计算修正后的均值和协方差；具体如下：针对系统(5)和(6)，量测更新均值计算如下：其中Lk+1在证明过程给出证明：

局部测量误差重写为

整理局部预测误差有

类似 这里

量测更新误差协方差矩阵为基于最小均方误差准则，有则有

其中

这里， 且

其中，

由 定义可知， 显然 中的信息在一步预测过程中已计算获得，因此可得式(76)，将(76)带入(75)可得Lk+1，将(75)和Lk+1带入(73)可得修正后的协方差，将Lk+1带入(69)可得修正后的估计值。

2.如权利要求1所述考虑相关噪声和随机参数矩阵的分布式融合方法，其特征在于，系统模型中的传感器数量至少为两个，局部预测器的数量至少为两个。

3.如权利要求1所述考虑相关噪声和随机参数矩阵的分布式融合方法，其特征在于，还包括步骤：步骤S70，基于三阶球径容积法则进行数值格式化。

4.如权利要求1所述考虑相关噪声和随机参数矩阵的分布式融合方法，其特征在于，还包括步骤：步骤S80，进行仿真。