1.一种基于变分贝叶斯的分布协同非线性系统状态估计方法，其特征在于：包括以下步骤：
1)、建立分布协同非线性目标状态跟踪系统的动态空间模型；
2)、在分布式非线性目标状态跟踪系统中，在k时刻，对于第l个局部滤波器，其中l＝1,
2,…,s，s是滤波器的个数，输入k‑1时刻目标状态估计及其协方差及滤波器参数；
3)、在第l个局部滤波器中通过UKF算法求目标状态一步预测 及其对应的协方差矩阵Pk|k‑1,l；
4)、选择逆威沙特分布和student’t分布作为一步预测协方差的先验分布和量测的分布，并求取逆威沙特先验参数：
一步预测协方差的先验分布：
量测的分布：p(zk,l|xk)＝St(zk,l；hl(xk),Rk,l,vl)
其中， 表示自由度参数为 和逆尺度参数为 的IW分布；
St(zk,l；hl(xk),Rk,l,vl)表示均值为hl(xk)，尺度矩阵为Rk,l，自由度参数为v的student’t分布；
5)、变分迭代初始化，根据步骤4得到IW先验参数tk|k‑1,l,Tk|k‑1,l；第l个局部滤波器中目标状态及协方差阵的迭代初值设置为： student’t分布的辅助变
量初值选取为
6)、变分迭代：在k时刻、第i次变分迭代中(i＝1,2,…,Nm)，分别求取目标状态 一(i) (i) (i)
步预测协方差Pk|k‑1,l和辅助变量λk,l的近似后验分布q (xk|k,l),q (Pk|k‑1,l)和q (λk,l)；
7)、判断当前迭代次数i是否达到Nm，若是，则执行下一步；若不是，则i＝i+1，并重新执行步骤6；
8)、对各局部滤波器的状态估计按照CI融合算法进行加权融合，再将融合结果反馈给各局部滤波器作为下一时刻的先验；
9)、输出第k时刻对目标状态的全局状态估计及其协方差：
10)、判断是否达到预设仿真时长，若不是，则k＝k+1,重新执行步骤2；若是，结束执行。
2.根据权利要求1所述的一种基于变分贝叶斯的分布协同非线性系统状态估计方法，其特征在于：所述步骤1)中所述系统的动态空间模型为：
xk＝f(xk‑1)+wk‑1；
zk,l＝hl(xk)+vk,l l＝1,2,...s；
其中，k是离散时刻，xk、xk‑1分别是k时刻和k‑1时刻的状态向量，它们是n维的变量，zk,l是k时刻第l个传感器的量测向量，它是一个m维的变量，f(xk‑1)是状态转移函数，hl(xk)是第l个传感器的量测函数；wk‑1是k‑1时刻到k时刻的零均值时变的过程噪声向量，它的期望协方差矩阵为Qk‑1；vk,l是k时刻第l个传感器具有随机异常值的量测噪声向量，它的期望协方差矩阵为Rk,l；任意时刻的wk,vk,l和初值状态x0均互不相关。
3.根据权利要求1所述的一种基于变分贝叶斯的分布协同非线性系统状态估计方法，其特征在于：所述步骤2)具体包括以下步骤：
输入：k‑1时刻目标状态估计 及其对应的协方差Pk‑1|k‑1,l，k‑1时刻的名义过程噪声协方差阵 k时刻该滤波器对应的量测噪声协方差阵Rk,l，k时刻该滤波器接收到的量测zk,l，调谐参数τl，student’t分布的自由度参数νl，以及变分迭代次数Nm；其中：k‑1时刻的名义过程噪声协方差阵 是由于过程噪声统计量未知而根据经验选定k时刻的名义过程噪声协方差；τl的作用是协调模型先验信息和量测修正信息的权重。
4.根据权利要求1所述的一种基于变分贝叶斯的分布协同非线性系统状态估计方法，其特征在于：所述步骤3)具体包括以下步骤：
3‑1)、对第l个滤波器中k‑1时刻目标状态估计 通过无迹变换产生2n+1个sigma点：
其中：n表示 的维度， 表示通过无迹变换产生的第j个sigma点， 表示第
j个sigma点的权值， 表示第j个sigma点对应协方差阵的权值， 表示矩阵P方根的
2
第j列，λ＝α (n+κ)‑n用来降低总的预测误差，α控制采样点的分布状态，κ的选取应保证(n+λ)P是半正定矩阵，一般取值0，β≥0合并方程中高阶项动差；
3‑2)、求状态一步预测及其对应的协方差阵：
其中： 是由于过程噪声统计量未知而根据经验选定的名义过程噪声协方差； 表示第j个sigma点的权值， 表示第j个sigma点对应协方差阵的权值。
5.根据权利要求1所述的一种基于变分贝叶斯的分布协同非线性系统状态估计方法，其特征在于：所述步骤4)具体包括以下步骤：
4‑1)、选择IW分布作为一步预测协方差的先验分布：
其中，IW分布的自由度参数 逆尺度参数 通过如下方法得到：
‑1 ‑1
对于一个IW分布：A～IW(A；t,T)，其期望可以写为：E[A ]＝(t‑n‑1)Τ ，t≥n+1，其中n是t的维度；因此，步骤3‑2中的状态一步预测协方差Pk|k‑1,l还可以表示为：
令： 则： 其中，nx是状态量x的维度，τl≥0是调谐参数，
它的选取根据具体的情况而定；
4‑2)、使用student’t分布作为量测的分布：
p(zk,l|xk)＝St(zk,l；hl(xk),Rk,l,vl)
St(zk,l；hl(xk),Rk,l,vl)表示均值为hl(xk)，尺度矩阵为Rk,l，自由度参数为vl的student’t分布；各滤波器对目标状态估计独立进行，在各滤波器中，假设：p(zk,l|xk,l)＝St(zk,l；hl(xk,l),Rk,l,vl)≈p(zk,l|xk)＝St(zk,l；hl(xk),Rk,l,vl)，由于student’t分布的概率密度函数的闭合解难以求得，引入一个辅助随机变量λk,l，量测的概率密度函数可以写为如下积分形式：
其中， 表示形状参数为 和逆尺度参数为 的伽马分布；根据上一个
式子，量测的概率密度函数最终可以表示为如下的分层高斯形式：
p(zk,l|xk,l,λk,l)＝N(zk,l；hl(xk,l),Rk,l/λk,l)
6.根据权利要求1所述的一种基于变分贝叶斯的分布协同非线性系统状态估计方法，其特征在于：所述步骤6)具体包括以下步骤：
(i‑1)
6‑1)、固定k时刻第i‑1次迭代状态估计的近似后验概率分布q (xk,l)，将第i次迭代的状态一步预测协方差Pk|k‑1,l的近似后验概率分布更新为 其中：
自由度参数 逆尺度参数
k时刻第i次迭代一步预测协方差的逆矩阵期望为 第i次
迭代一步预测协方差可以表示为：
(i‑1)
6‑2)、固定k时刻第i‑1次迭代状态估计的近似后验概率分布q (xk,l)，将第i次迭代的辅助变量λk,l的近似后验概率分布更新为 其中：形状参数
逆尺度参数
是按照步骤3‑1的方法对 进行无迹变换得到的第j个sigma点， 是对应的权值；
辅助变量期望 第i次迭代中辅助变量值表示为： 第i
次迭代修正量测噪声协方差可以表示为：
(i)
6‑3)、固定k时刻第i次迭代状态一步预测协方差Pk|k‑1,l的近似后验概率分布q(i)
(Pk|k‑1,l)、第i次迭代辅助变量λk,l的近似后验概率分布q (λk,l)，将第i次迭代的对目标状态估计xk,l的近似后验概率分布更新为 其中： 分别表示
第l个滤波器在k时刻第i次迭代中的目标状态估计及其对应的协方差；
按照步骤3‑1的方法对状态一步预测 和第i次迭代得到的状态一步预测协方差
进行无迹变换重新获得状态一步预测sigma点以及量测预测
其中：n表示 的维度， 表示通过无迹变换产生的第j个sigma点， 表示矩
阵P方根的第j列， 表示对第j个sigma点的量测预测， 表示第j个sigma点对应的权值， 表示第l个滤波器第k时刻的量测预测；
在UKF框架下求得
7.根据权利要求1所述的一种基于变分贝叶斯的分布协同非线性系统状态估计方法，其特征在于：所述步骤8)具体包括以下步骤：
8‑1)、k时刻局部滤波器状态估计的加权融合：
全局状态估计协方差：
全局状态估计：
8‑2)、将全局估计及其协方差按照一定的准则反馈给各局部滤波器：
状态估计反馈：
状态估计协方差反馈：
其中，αk,l为反馈权重系数，它们随着各个局部滤波器协方差的变化而变化，αk,l满足以下条件：
αk,1+αk,2+...+αk,l＝1
其中：||·||F表示表示Frobenius范数，即对于任意矩阵A：