1.一种基于权重预分配的多源信息融合方法，其特征在于，具体按照以下步骤实施：步骤1、针对含有多个传感器的系统，选用Q检验法对各传感器异常监测数据进行剔除，并基于距离准则对剔除异常值后的数据预分配融合权重；

所述步骤1具体如下：

步骤1.1、设定各传感器状态空间模型满足以下形式：式中，xt与xt+1分别为被测系统t时刻与t+1时刻的状态值；f(·)为系统非线性状态函数；wt为方差Q≥0的零均值高斯白噪声；zt+1为传感器t+1时刻的测量值；h(·)为传感器非线性测量函数；et+1为t+1时刻方差R≥0的零均值高斯白噪声；

步骤1.2、以t时刻各传感器监测数据为例，设定 为第i个传感器t时刻的系统监测结果，得到t时刻系统监测结果Zt：

式中，Ms为传感器的个数；

步骤1.3、将t时刻系统监测结果Zt按递增顺序排列得到升序序列 并计算检验值Q1：式中， 和 分别为t时刻监测数据最大值和最小值， 和 分别为t时刻第i个传感器测量结果及其最邻近的监测结果；

步骤1.4、根据升序序列 中测量值个数和指定的置信水平确定检验值Q2，若Q1>Q2，则将t时刻第i个传感器测量结果 视为异常值并舍弃，否则予以保留，对处理后的监测数据重复上述步骤，直至该时刻监测数据中的所有异常值全部剔除，得到无异常监测数据序列式中， 为最终得到的无异常数据存在的t时刻第一个监测值，同理 和 分别代表最终得到的无异常数据存在的t时刻第二个和第Ns个监测值；

步骤1.5、基于距离准则对剔除异常值后的数据预分配融合权重：式中， 为t时刻第i个传感器的预分配融合权重， 为最终得到的无异常数据存在的t时刻第i个监测值， 为最终得到的无异常数据的均值，Ns为最终得到的无异常数据个数，为最终得到的无异常数据存在的t时刻第k个监测值；

步骤2、选用基于马氏距离的自衰减无迹卡尔曼滤波UKF作为局部状态估计器，通过对新息向量的马氏距离平方进行评价，采取相应地措施来提高UKF对多传感器非线性随机系统建模误差的适应性和鲁棒性，获得局部状态估计结果；

所述步骤2具体如下：

步骤2.1、以第j个传感器的状态估计为例，计算状态向量初始均方差矩阵P0和先验均值式中，E[Δ]表示Δ的均值期望，P0为初始估计误差方差，x0为系统状态初始值；

步骤2.2、基于采样策略，计算无迹变换Sigma采样点：式中， 为t‑1时刻系统状态估计值，ξ0,t‑1和ξi,t‑1分别为t‑1时刻第0个和第i个系统无迹变换Sigma采样点，n为系统状态向量维数，ρ用来调节采样点与原样本点间的距离，P为t‑

1时刻状态变量协方差矩阵， 表示平方根矩阵的第i个主对角线元素；

步骤2.3、计算采样点一阶统计特性权系数 和二阶统计特性的权系数步骤2.4、计算t时刻基于Sigma采样点的一步预测矩阵 和协方差矩阵Pt|t‑1：ξi,t|t‑1＝f(ξi,t‑1)(i＝0,1,…,2n)式中，wt为t时刻的状态噪声，Qt为t时刻状态噪声方差；

步骤2.5、对于步骤2.4中的一步预测矩阵 再次进行UT变换，得到新的Sigma点集如下所示：式中，ξ′0,t|t‑1和ξ′i,t|t‑1分别为t‑1时刻关于一步预测矩阵 的第0个和第i个系统无迹变换Sigma采样点；

步骤2.6、将步骤2.5得到的新的Sigma点集代入量测方程，得到第i个传感器t时刻的观测预测值zi,t|t‑1，对观测值zi,t|t‑1进行加权求和，得到观测预测均值zi,t|t‑1＝h(ξ′i,t|t‑1)式中， 为t时刻观测方差，et为t时刻的观测噪声，Rt为t时刻的观测噪声方差；

步骤2.7、状态估计协方差矩阵 被更新为：

步骤2.8、计算卡尔曼增益Kt，更新状态变量估计值 和状态方程协方差Pt：步骤2.9、引入时变自适应衰落因子λt到预测状态协方差矩阵Pt|t‑1：步骤2.10、用修正的 代替经典UKF的预测状态协方差矩阵Pt|t‑1完成经典UKF以更新本地状态估计，得到t时刻第j个传感器的估计结果步骤2.11、对系统中所有的传感器按照步骤2.1‑2.10实施状态并行估计，获得局部状态估计结果步骤3、基于最小方差线性加权准则对多传感器监测数据进行融合，得到全局状态估计结果；

所述步骤3具体如下：

步骤3.1、t时刻系统全局最优状态融合值 表示为：式中， 表示t时刻第j个传感器估计结果的融合权重；

步骤3.2、联合融合权重预分配与线性加权融合准则，得到全局状态估计结果：式中， 为系统t时刻全局状态估计结果 为t时刻第j个传感器估计结果的预分配权重，和 分别为t时刻第j个传感器局部估计结果及其融合权重。