1.基于误差-模糊分解的一阶伪贝叶斯机动目标跟踪方法，其特征在于，该方法具体包括以下步骤：步骤1：构建单传感器单目标跟踪场景，并对目标的运动模型进行初始化；

建立目标的运动模型：xk＝fk,k-1(xk-1,s(k))+vx式中，xk和s(k)分别是目标状态向量和系统模式；fk,k-1是基于模式的目标状态转换函数，vk是过程噪声；

目标在时间1到k真实模型序列Sk＝{s(1),s(2),...,s(k)}.类似地，目标在时间1到k的模型序列 这里m(k)是时间k上有效模型，而且上标l意味着是所有可能的模型序列中的一个可行模型序列；

k时刻,观测方程的表达式是,zk＝gk(xk)+wk

式中，zk表示k时刻的观测向量；gk是相应的观测函数，为线性的或非线性的；wk观察误差为高斯分布的白噪声；

时间1到k的观测：Zk＝{z1,z2,...,zk}步骤2：信息准备；

假设基于模型的状态估计 模型概率 和概率转移矩阵A＝[aij]r×r在k时刻是已知的；总模型集 满足步骤3：基于模型的状态和概率预测；

步骤3.1:模型状态预测：

式中，fk,k-1是基于模式的目标状态转换函数，vk是过程噪声；

步骤3.2:模型概率预测：

式中，ail为模型i的概率转移矩阵， 表示目标在k-1时刻模型i的概率预测， m(i)表示有效模型i而且下标k-1意味着 是所有可能的模型序列中的一个可行模型序列；

步骤4：基于模型的状态和概率更新；

步骤4.1:状态更新：

式中，Filter[·]表示适当的贝叶斯滤波器，如KF，EKF，UKF或PF； 表示k时刻状态预测,zk表示k时刻量测；

步骤4.2:计算模型可能性：式中，zk表示k时刻量测， 表示k时刻状态更新， 服从高斯分布的零均值协方差Rk；

如果观察误差是高斯白噪声，则模型可能性表示为：式中，zk表示k时刻量测， 表示k时刻状态更新，模型可能性 服从高斯分布的零均值协方差Rk.

步骤4.3：模型概率更新：

步骤5 EAD模型集适应：

步骤5.1：从总模型集中选择一个模型作为原始有效模型；选择模型概率最大的作为原始有效模型；原始模型及其状态估计分别表示为mk(1)和 然后，原始子模型集由 表示；

步骤5.2：对于最后子模型集 的估计值使用等式计算其EAD值；

式中， 为 完整的状态预测， 为模型序列 的预测；

为第一个周期，tr()表示求迹；

步骤5.3：从总模型组中选择一个模型，已经选择的模型除外；然后，将其添加到当前子模型集中以形成候选子模型集；候选子模型集的数量是 这里r是整个模型集的基数， 是最后估计的子模型集的基数；

步骤5.4：使用等式

计算所有 候选子模型集的EAD值，并找到最小的EAD值；将当前候选子模型集合最小EAD值表示为步骤5.5：

比较 和 之间的EAD值；如果如果 具有较小的EAD值，则用替换最后的子模型集 并转到步骤5.2)；

步骤5.6：

比较 和 之间的EAD值；如果 具有较小的EAD值，则有效模型有步骤6：状态估计和转移

步骤6.1:状态估计

步骤6.2:状态和概率转移

步骤7:将步骤6输出的 和 作为下一时刻的输入，从步骤3开始直到结束。