1.一种基于信息形式的强鲁棒传感器网络目标跟踪方法，其特征在于，包括以下步骤：步骤一：建立传感器网络目标跟踪的学生t分布非高斯状态空间模型，引入信息形式的变量；

步骤二：利用基于学生t分布的三阶球面-相径容积准则进行时间更新，确定信息状态矢量和信息矩阵的预测值；

步骤三：利用基于学生t分布的三阶球面-相径容积准则进行量测更新，更新信息状态矢量、信息矩阵以及自由度参数，融合网络中各个节点关于信息状态矢量和信息矩阵的估计结果；

步骤四：利用矩信息匹配法调整信息状态矢量和信息矩阵以优化鲁棒性；

步骤五：计算当前时刻状态估计结果，再回到步骤二重新依次执行，直至跟踪时刻结束。

2.根据权利要求1所述一种基于信息形式的强鲁棒传感器网络目标跟踪方法，其特征在于，步骤一包含如下约束：用下标k表示数据从属于第k个离散时刻，用下标s表示数据源于第s个传感器节点，过程噪声wk-1、观测噪声vk,s和目标状态xk均认为是具有重尾特性的非高斯随机变量，用学生t分布分别描述wk-1、vk,s和xk对应的概率密度函数p(wk-1)＝St(wk|0,Qk-1,υ1)、p(vk,s)＝St(vk,s|0,Rk,s,υ2)和p(xk)＝St(xk|mk,Pk,υ3)，其中p(·)和St(·)分别代表概率密度函数和学生t分布，υ1、υ2、υ3分别为每个学生t分布的自由度参数，Qk-1和Rk,s分别为过程噪声和观测噪声的尺度化矩阵，mk和Pk分别为目标状态的均值和尺度化矩阵；引入信息形式的信息矩阵Yk和信息状态矢量yk分别代替目标状态的方差矩阵 和均值mk作为传递的核心变量。

3.根据权利要求2所述一种基于信息形式的强鲁棒传感器网络目标跟踪方法，其特征在于，步骤二包括以下子步骤：

2.1基于学生t分布选取m＝2n个容积点λk-1,i：

其中n为目标状态维数，ξi为单位容积点；

2.2用下标k|k-1代表k-1时刻后对k时刻值的预测，将m个容积点λk-1,i通过系统函数f(·)进行传递可得到传递后的容积点γk|k-1,i；

2.3通过加权运算分别求取状态均值的预测值mk|k-1和信息矩阵的预测值Yk|k-1，其中Yk|k-1具体为：

2.4根据步骤2.3求取信息状态矢量的预测值yk|k-1。

4.根据权利要求3所述一种基于信息形式的强鲁棒传感器网络目标跟踪方法，其特征在于，步骤三包括以下子步骤：

3.1基于学生t分布选取m＝2n个容积点λk|k-1,i：

3.2步骤3.1容积点经过节点s的观测函数hs(·)得到传递后容积点ζk|k-1,i,s；

3.3定义并计算每个节点s对应的观测预测均值μk,s、观测预测尺度化矩阵Sk,s和观测预测互相关尺度化矩阵Ck,s，具体如下：

3.4更新传感器网络中每个节点的信息矩阵预测值Yk|k-1和信息状态矢量预测值yk|k-1，由融合中心进行信息融合，得到融合后的信息矩阵Yk'、信息状态矢量yk'和新的自由度参数υ3'，其中Yk'具体为：其中 为补充学生t分布观测噪声尺度化矩阵后Sk,s的修正矩阵；

υ3'＝υ3+Nd                            (9) 。

5.根据权利要求4所述一种基于信息形式的强鲁棒传感器网络目标跟踪方法，其特征在于，步骤四中，仍然沿用更新前的自由度参数υ3，并采用矩信息匹配法匹配学生t分布的状态变量的一阶矩信息和二阶矩信息，信息状态矢量yk'和信息矩阵Yk'分别调整为信息状态矢量yk和信息矩阵Yk，即yk＝yk'                       (10)。

6.根据权利要求5所述一种基于信息形式的强鲁棒传感器网络目标跟踪方法，其特征在于，步骤五中，利用信息状态矢量yk、信息矩阵Yk与目标状态均值mk三者的关系，计算得到k时刻传感器网络对目标的状态估计的均值mk。