1.一种基于OPTICS的高机动目标无源雷达跟踪方法，其特征在于，包括以下步骤：(1)利用目标运动状态方程和观测方程得到目标运动状态预测值 和目标运动状态预测误差协方差矩阵Pk+1|k；

(2)引入波动参数δk，δk为相邻两个时间间隔内滤波算法预测值与观测值误差之差，设误差门限值为δth，判断是否δk>δth，若δk>δth，则对目标运动状态转移矩阵Fk更新，并基于更新后的目标运动状态转移矩阵Fk进行测量更新，若δk≤δth，则保持目标运动状态转移矩阵Fk不变，直接进行测量更新。

2.根据权利要求1所述的一种基于OPTICS的高机动目标无源雷达跟踪方法，其特征在于，所述目标运动状态转移矩阵Fk更新，利用DTOA算法和目标跟踪算法获得的当前目标的L个运动状态估计值，并基于该估计值提取目标运动轨迹多维特征值，用于基于OPTICS算法的多特征融合目标轨迹聚类，进而根据目标轨迹聚类结果进行目标运动状态模型估计和目标运动状态转移矩阵的更新。

3.根据权利要求1所述的一种基于OPTICS的高机动目标无源雷达跟踪方法，其特征在于，所述测量更新，根据目标运动状态转移矩阵Fk计算滤波增益K，获得下一时刻的目标运动状态和目标运动状态误差协方差矩阵进行更新。

4.根据权利要求1所述的一种基于OPTICS的高机动目标无源雷达跟踪方法，其特征在于，所述步骤(1)中得到目标运动状态预测值 和目标运动状态预测误差协方差矩阵Pk+1|k具体为：假设k时刻当前目标运动状态为 目标运动状态误差协方差矩阵为Pk，量测噪声为Vk；非线性状态方程为f(x)，非线性观测方程为h(x)，f(x)的雅克比矩阵为Fk，h(x)的雅克比矩阵为Hk，目标运动状态预测方程为：

目标观测预测方程为：

目标运动状态预测误差协方差矩阵为：

其中，Qk+1表示目标预测过程中的高斯协方差矩阵。

5.根据权利要求1所述的一种基于OPTICS的高机动目标无源雷达跟踪方法，其特征在于，所述步骤(2)中波动参数δk作为一个反应滤波算法精确程度的参量，表示为其中，||·||1代表向量1范数，当目标运动状态模型不变时，其相邻两个时间间隔内的δk较小；而当目标运动状态模型转变时，由于目标运动状态转移矩阵不再适应当前的运动模型，δk较大。

6.根据权利要求2所述的一种基于OPTICS的高机动目标无源雷达跟踪方法，其特征在于，所述目标运动状态转移矩阵Fk更新具体为：假设在k时刻，目标辐射源的坐标为P(xk,yk)，三个无源传感器的位置坐标分别为A(x0,y0)，B(x1,y1)，C(x2,y2)，目标辐射源到三个无源传感器的位置分别为d0，d1和d2，其与目标位置具有的数学关系如下式假设无源传感器A所在位置为主跟踪定位站，无源传感器B和C所在位置为辅助跟踪定位站，c表示电磁波在空气中的传播速度，信号到达各辅助跟踪定位站的时刻与到达主跟踪定位站的时间差为对式(4)和(5)进行计算，获得对应的双曲面方程：

根据式(6)可得，当前模型的观测值为Δt0‑i，而被测目标到达主跟踪定位站和辅助跟踪定位站的距离之差为d0‑di＝cΔt0‑i，其中i＝1,2；将此处所算得的距离差cΔt0‑i作为DTOA算法的观测值 即其中，Δdi＝d0‑di，而 为Δdi的观测值，通过式(8)可以获得新的观测方程，即其中， 通过式(8)和(9)，可以获得聚类算法所需特征值，用于基于OPTICS算法的多特征融合目标轨迹聚类；

通过使用OPTICS算法进行目标轨迹聚类，可以获得目标的运动轨迹模型，根据轨迹模型推断出当前目标运动状态转移矩阵F；

若目标做匀速直线运动，则目标运动状态转移矩阵为：

其中，T表示当前采样周期；

若目标做协同拐弯运动，则目标运动状态转移矩阵通式F为：

其中，ω表示当前目标运动角速度；

将采样周期T代入式(10)中，获得该采样率下确切的目标运动状态转移矩阵Fk；根据传感器所得目标俯仰角φk和采样周期T，算出目标帧间角速度ω(k+1|k)，并计算出单位时间内的角速度ωk，即将ωk代入式(11)中，获得当前确切的目标运动状态转移矩阵Fk。

7.根据权利要求1‑3所述的一种基于OPTICS的高机动目标无源雷达跟踪方法，其特征在于，所述测量更新具体为：将Fk代入上式(3)中，得到新的目标运动状态预测误差协方差矩阵T

Pk+1|k＝FkPk|k(Fk) +Qk+1    (13)在对目标运动状态转移矩阵进行决策更新后，需要对滤波器参数进行测量更新，其中滤波增益K表示每次进行数据融合后更新结果不确定性的变化程度，其计算公式为其中，Rk表示目标运动状态误差协方差矩阵的测量误差，根据所得滤波增益K，可以对当前目标运动状态 进行更新估计，即当前目标运动状态误差协方差矩阵Pk+1更新为：