1.一种基于最小错误率的多元决策融合方法，其特征在于：包括以下步骤：步骤一：对待决策对象进行事件分类与特征建模；

所述步骤一具体包括：

在对对象进行决策前需要对其进行事件分类与特征建模，过程基于对象问题的不同而不同，往往与对象的经验值或公式值确定，结果使用一个分布表示，即多个传感器对特征量进行估计，每一个传感器的估计结果均服从正态分布：设对某一事件的分类有 重假设，且对任意假设 都有一个能够区分其他假设的特征量 ，现有多个传感器对特征量进行估计，估计结果服从正态分布 ：

其中， 表示事件的第 重假设成立, 表示事件 成立情况下传感器对特征量估计为 的概率， 分别是事件 成立情况下传感器对特征量估计值正态分布下的均值与方差， 是传感器数量, 是多重假设总数；

步骤二：各观测源对 时刻目标 的特征量进行提取；

步骤三：各观测源对特征量进行本地决策；

S3.1：后验概率，根据目标类别分布函数的先验信息，计算目标分别属于各类的后验概率值；

S3.2：后验概率比，将目标属于不同类别的后验概率值相比得到不同类别之间的后验概率比；

S3.3：对数似然比，将不同目标类别之间的后验概率比取对数得到其后验概率对数似然比；

S3.4：决策，根据最大化后验概率决策规则，得到不同源的本地决策结果；

传感器本地决策规则为：对于传感器 ，在 重假设中任选一个假设并计算 个后验概率比：

根据贝叶斯法则，上式可由下式计算得到：其中， 为事件 的先验概率，仿真中未知，则设为 ；

定义传感器本地端的对数似然比为：于是传感器 的本地决策规则如下：步骤四：构造不同源之间的决策信息矩阵；

步骤五：根据特征量时变特性选择单次决策融合规则或多次决策融合规则；

步骤六：融合中心对各观测源的本地决策结果进行融合得到全局决策结果。

2.根据权利要求1所述的一种基于最小错误率的多元决策融合方法，其特征在于：所述步骤四具体包括：对于恒定的特征量，跟踪目标时对方的轮廓、固有频率物理属性，得到更好的融合效果，假设 传感器对同一事件各自做了 次决策，其中 为决策列向量 ，其中， 表示传感器 的第 次决策；

对于非恒定的特征量且传感器短时间内无法做出多次决策的情况，采取单次决策融合的规则，其中， 表示传感器 的决策。

3.根据权利要求1所述的一种基于最小错误率的多元决策融合方法，其特征在于：所述步骤六具体包括：对于恒定的特征量，根据最优化方法，融合中心的最优决策 如下：其中，

为单位列向量， 为常值列向量；

对于非恒定的特征量，恒定特征量的方法引入了融合权重向量 ，是多次决策的融合规则，单次决策的融合规则如下：由于单次决策，局部决策由矩阵缩减为向量在 重假设中任选一个假设 并计算似然比：定义对数似然比：

其中， 是传感器 的先验异常概率， 与 的定义如下：则，融合中心决策规则如下：

。