1.一种拖尾噪声背景下的机动目标分布式状态估计方法，其特征在于，包括以下步骤：S1、初始化系统参数，

初始化传感器网络参数：定义传感器网络 其中传感器节点S表示接收和处理数据的节点，通信节点C表示完成数据传输的节点，连接链路 表示可通信节点之间的通信链路，初始化第s个传感器的邻接节点集合为 其中p表示传感器s的邻接节点，初始化传感器一致性加权系数为w；

初始化离散时间状态空间转移模型：定义k时刻目标运动模型集合为 其中M表示目标运动过程中包含运动模型个数，定义k时刻第s个传感器的运动状态为 则有：i

其中 表示第k时刻模型为i，f (·)表示第i个运动模型的状态转移函数；过程噪声服从拖尾分布 其中p(·)表示概率密度函数，St(x|μ,Σ,v)表示均值为μ、尺度矩阵为Σ、自由度为v的Student’s‑t分布；

初始化量测空间转移模型：

s,i

其中 表示量测值，h (·)表示第s个传感器中第i个运动模型对应的量测转移函数，量测噪声 服从拖尾分布S2、对目标各个模型的运动状态进行模型交互：结合下式计算第s个传感器目标模型j的模型预测概率 与模型交互概率其中 表示k‑1时刻模型i的概率更新值(由上一时刻获取)，表示k时刻马尔科夫转移概率矩阵(TPM)，其中Pr(·)表示概率值；

结合下式计算目标第i个模型的运动状态交互结果 与状态协方差交互结果其中， 与 分别表示k‑1时刻模型j的状态估计值与状态估计协方差矩阵(由上一时刻获取)，∑·表示求和操作；

S3、对目标各个模型的运动状态值、运动状态协方差矩阵进行一步预测计算：结合下式计算目标第s个传感器第i个模型的运动状态一步预测值 与一步预测协方差矩阵i i

其中F (·)表示状态转移函数f (·)的雅克比矩阵， 表示k时刻模型i的过程噪声协T方差矩阵，(·) 表示求转置操作；

S4、对目标运动状态分布与量测分布进行下述概率密度函数分解，对目标运动状态分布进行下述分解：其中， 表示目标从初始时刻到k‑1时刻的各传感器量测集合，N(x|μ,Σ)表示均值为μ、方差为Σ的高斯分布；其中 服从尺度矩阵 自由度为 的逆‑wishart分布，即G(x；a,b)表示形状参数为a、尺度参数为b的伽马分布；∫·表示求积分操作；

对目标量测分布进行下述分解：

其中 服从尺度矩阵 自由度为 的逆‑wishart分布，即S5、对目标各个传感器与各运动模型的相关分布先验参数进行模型交互，包括：结合下式计算步骤S4中目标i个模型的运动状态与量测相关参数逆‑wishart分布 与参数自由度交互结果 与尺度矩阵交互结果其中 与 分别表示k‑1时刻逆‑wishart分布 与 的自由度， 与 分别表示k‑1时刻逆‑wishart分布 与 的尺度矩阵；

结合下式计算第i个运动模型的伽马分布 与 形状参数交互结果参数交互结果 与尺度参数交互结果S6、对目标各个模型潜变量参数进行一步预测计算，包括：结合下式计算第i个模型的逆‑wishart分布 与 参数自由度预测值与尺度矩阵预测值

其中nx表示运动状态向量维度， 表示量测状态向量维度，ρ表示遗忘因子；

结合下式计算伽马分布 与 形状参数预测结果与尺度参数预测结果

S7、结合变分贝叶斯算法求解各传感器目标状态更新方法与相关参数分布的超参数更新方法，设定k时刻各传感器目标运动状态及分布参数集合 结合下式求解上述分布参数集合对应的联合概率密度函数，结合联合概率密度函数计算各传感器目标分布参数边缘概率密度并确定对应的超参数更新方法，结合下式计算第s个传感器目标运动状态 边缘对数似然，其中 E(·)

表示求期望操作，Eq(x)(x)＝∫xq(x)dx，其中‑1

(·) 表示求逆操作， 表示与 无关的常数项，结合上式可得目标第i个模型对应的状态更新值 与状态更新协方差s,i s,i其中，H 表示第s个传感器第i个模型量测转移函数的h (·)的雅克比矩阵， 表示新息协方差矩阵；

结合下式计算 边缘似然，

其中，det(·)表示求行列式操作， 表示联合概率密度函数中与 无关的期望常数项；且：综上可得到 对应的超参数更新步骤，结合下式计算 边缘似然，

其中 表示与 无关的常数项；假定结合下式计算 超参数更新步骤，

结合下式计算 边缘似然，

确定 超参数更新步骤，

其中 Ψ(·)表示双参数伽马分布；

获得量测相关分布对应的超参数更新步骤：确定 超参数更新步骤，

其中，

假定 确定 超参数更新步骤，

其中 确定 超参数更新步骤:

其中

S8、对步骤S7中的过程噪声相关分布逆‑Wishart分布与伽马分布参数结合下式进行多传感器一致性融合处理，其中w表示融合权系数，L表示一致性融合次数；

S9、计算目标各传感器与各运动模型对应的伪似然值与k时刻对应的模型概率更新值，由变分贝叶斯原理结合下式获得伪似然结果，其中DKL(p||q)表示函数p与函数q之间的KL散度，结合S7结果对上式求解获得以下伪似然值，根据获得的伪似然结果结合下式获得k时刻第i个模型的模型概率更新值其中∝表示正比于；

S10、对步骤S9中的模型概率更新值 结合下式进行多传感器一致性融合处理，S11、基于目标运动模型概率更新值 与状态估计协方差矩阵其中 表示第L次融合以后的模型概率更新值；

得到目标在当前时刻的各传感器状态估计值与状态估计协方差矩阵，完成状态更新。