1.一种基于BCD-VSMM机动目标无源协同定位方法，其特征在于该方法包括以下步骤：步骤(1)、建立机动目标无源协同定位跟踪模型，从m对非同频双基雷达得到的第k时刻信号中提取m组测量 并对每一时刻测量的位置状态进行编号；其中 为到达角， 为信号由 经目标OX到达RX与 直达RX时间差乘以雷达传播速度计算所得的距离差，m为发射站总数， 表示第l个非同频外辐射源信号发射站,RX表示接收站；

步骤(2)、由于从接收站得到m组测量 与目标状态信息并不是线性关系，为了得到目标位置的估计值，需要进行伪线性处理；故根据测量 发射站与接收站的位置信息，求闭式解得到目标状态的m个伪测量 和 分别为处理后的目标坐标；

步骤(2)m组测量 经过如下闭式求解得到 具体是：可得

步骤(3)、基于梯度下降法对步骤(2)得到的多个伪测量进行优化，得到融合伪测量，具体为：针对分布在伪测量空间的m个伪测量，求出一点到所有伪测量的距离之和最短，即根据 取得最小值，得到融合伪测量步骤(4)、将融合伪测量作为CD-VSMM算法的输入对目标状态进行正向滤波分析；

步骤(5)在正向滤波完成后进行反向平滑，初值由正向滤波得到，并采用在反向上模仿上述的CD-VSMM算法进行滞后平滑回溯，得到目标航迹和状态信息；

步骤(1)具体是：

1-1建立机动目标多基站PCL模型，其中 表示第l个非同频外辐射源信号发射站,RX表示接收站，OX表示目标，dOR表示OX到RX的距离， 表示 到OX的距离， 表示 到RX的距离，其中RX的位置表示为 的位置表示为 目标OX位置表示为[xk,yk]；

设k时刻目标的状态向量为 其中(xk,yk)、分别表示目标在X轴、Y轴的位置、速度和加速度；目标的运动方程为：Xk＝Fk-1Xk-1+vk-1

其中Fk-1为状态转移矩阵，vk-1为零均值高斯白噪声，其协方差矩阵为Qk-1；

1-2.从m对非同频双基雷达得到的第k时刻信号中提取得到m组测量 并对每一时刻测量的位置状态进行编号；其中 为到达角， 为信号由 经目标OX到达RX与 直达RX时间差乘以雷达传播速度计算所得的距离差，表达式如下：步骤(4)具体是：

4-1设定有向图切换准则：根据先验信息建立完备模型，并按照组合规律组成有向图，根据关键模型概率进行有向图切换，同时对新激活的模型分配概率；

4-2计算k-1时刻模型的混合概率：

其中 为归一化常数，bij为已知模型转移概率， 为已知模型概率，N为最优模型个数，k为当前时刻；

4-3.进行混合得到k-1时刻第j次模型匹配滤波的状态值和协方差矩阵：其中 和 分别为第j次和第i次模型匹配滤波状态值， 为已知的第i次模型匹配滤波协方差矩阵；

4-4用基于当前统计的无味卡尔曼滤波方法进行滤波，得到k-1时刻第j次模型匹配滤波的预测状态向量和预测协方差矩阵分别如下：新息协方差矩阵为：

其中 为伪量测转移矩阵， 为伪量测噪声协方差矩阵， 为状态噪声协方差矩阵；

状态更新得到k时刻第j次模型匹配滤波的状态向量和协方差矩阵分别如下：其中k时刻第j次模型匹配滤波的滤波增益为： 为步骤(3)得到的融合伪测量；

4-5第j次模型k时刻模型概率更新：

其中归一化常数 似然函数

4-6根据步骤4-4和步骤4-5得到的k时刻N个模型概率和状态向量，估计得到k时刻模型的最终状态值和协方差矩阵：步骤(5)具体是：

根据步骤(4)获得t时刻的后验密度 其中 为第j次模型高斯密度，第j次模型高斯密度包括模型概率 状态向量 协方差矩阵 从而设定t+1时刻平滑后验密度 其中 为第i次反向平滑高斯密度，第i次反向平滑高斯密度包括模型概率 状态向量 协方差矩阵 L为滞后时间；

5-1设定有向图切换准则：根据先验信息建立完备模型，并按照一定组合规律组成有向图，根据关键模型概率进行有向图切换，同时对新激活的模型分配概率；

5-2计算t时刻反向模型转移概率：

其中 bji为已知模型转移概率；

5-3计算t+1时刻反向模型的混合概率：其中

5-4进行混合得到第j次模型匹配滤波的状态向量和协方差矩阵：

5-5用基于当前统计的无味卡尔曼滤波方法进行滤波，得到t时刻第j次模型匹配滤波的预测状态向量和预测协方差矩阵为：其中 和 为已知t+1时刻第j次模型匹配的状态向量和协方差矩阵， 为平滑增益， 为已知第j次模型的状态转移矩阵；

5-6第j次反向模型概率更新：

其中归一化常数 似然函数

5-7根据步骤5-5和步骤5-6得到的t时刻N个第j次反向模型概率和状态向量，估计出目标对应的状态向量和协方差矩阵，从而得到目标航迹和状态信息：