1.一种基于UKF和PF混合滤波的目标跟踪算法，其特征在于，具体计算步骤如下：设定目标运动的状态方程和目标的观测方程为xk＝Fxk‑1+ωk‑1

zk＝h(xk)+vk

式中， 代表k时刻的目标状态变量；x′k、y′k表示k时刻目标在X方向、Y方向的位置； 表示k时刻目标在X方向、Y方向的速度， 表示k时刻目标在X方向、Y方向的加速度，T是采样时间；F代表状态转移矩阵；xk‑1表示k‑1时刻目标的状态变量；ωk‑1表示k‑1时刻系统的过程噪声，其是均值0，方差分别为Qk‑1的高斯白噪声；zk为k时刻的目标观测量；vk是k时刻均值为0，方差为Rk的过程观测噪声序列；对xk的滤波估计值来自于所有1～k时刻的目标观测量 h()表示线性或非线性的观测模型函数；

1.1：应用PF算法，根据已知的先验分布p(x0)采样得到N个粒子

1.2：根据目标运动的状态方程得先验密度 选用先验密度作为重要性密度函数，即 对该函数采样得到粒子 其中， 表示在k‑1时刻第i个粒子的状态变量； 表示在k时刻第i个粒子的状态变量；

1.3：根据目标的观测方程得 进一步计算权值 并进行权值归一化 表示在k时刻第i个粒子的权值； 表示在k时刻第i个粒子归一化后的权值；

1.4：当有效粒子个数估计值 时，Nth为阙值，进行重采样，生成新的粒子并重新赋予权值

1.5：进而可以得到k时刻应用PF算法得到的目标状态变量估计值

1.6：进一步应用UKF算法进行混合滤波消除奇异值影响；根据k‑1时刻的 利用

0 1 2n

Sigma采样点的选取规则获得2n+1个sigma点 和对应权值w ,w ,…,w ，并根据 接着计算sigma点集的一步预测 其中，n代表随机变量xk的状态的维数；

1.7：计算目标的状态变量的预测均值 及协方差矩阵Pk|k‑1；

式中， 和 为Sigma采样点的权重系数，下标m表示均值，下标c表示协方差；Qk‑1为过程噪声方差；

1.8：根据计算所得目标的状态变量的预测均值 和协方差矩阵Pk|k‑1，再次使用UT变

0 1 2n

换，产生新的sigma点 和对应权值w ,w ,…,w ；

1.9：根据目标的观测方程进行sigma点非线性变换，根据式计算观测量预测采样点 并根据式 计算系统观测量的预测均值

1.10：根据式 计算新息协方差矩阵

Pzz，k|k‑1、根据式 计算状态与观测间的互协方差矩阵Pxz，k|k‑1，并根据式 计算滤波增益矩阵Kk；

1.11：最后进行状态更新；根据式 计算k时刻后验状态估计均值 根据式 计算协方差矩阵Pk；

1.12：循环步骤1.2至步骤1.11，继续进行k+1时刻的混合滤波计算。

2.根据权利要求1所述的目标跟踪算法，其特征在于：所述F的取值如下：

3.根据权利要求1所述的目标跟踪算法，其特征在于：设观测站的位置为[x0,y0]，采用的传感器为距离传感器，则

4.根据权利要求1‑3任一所述的目标跟踪算法的多观测站适应度加权目标跟踪算法，其特征在于：采用a个观测站进行目标跟踪，利用不同观测站在时间、空间及功能上的互补，通过融合这些观测站的观测信息，提高目标跟踪的精度，a为正整数，所述算法包括以下步骤：步骤1：各观测站采集观测信息，利用UKF和PF混合滤波算法进行各观测站的目标状态估计，并分别记为步骤2：根据上述求出的混合滤波算法的目标观测量的预测均值 计算当前k时刻第i个观测站的适应度函数 上式中：exp表示以e为底的指数函(i)

数， 表示k时刻各观测站的实际目标观测量， 表示各观测站的观测预测均值，R 表示各观测站的观测噪声方差；

步骤3：根据 计算k时刻各观测站进行融合时所占的权重步骤4：根据 对k时刻各观测站生成的目标状态变量估计值进行加权融合，获取相应的目标状态变量融合估计值 的值；

步骤5：置k＝k+1，循环进行步骤1到步骤4，进行下一时刻跟踪计算。