1.一种基于预测更新网络和动态波门的多机动目标跟踪方法，其特征在于，构建结构相同、参数设置不同的预测网络和更新网络，利用动态波门得到待跟踪目标的有效量测；该目标跟踪方法的具体步骤如下：
步骤1，搭建一个由输入层，隐藏层，输出层，全连接层串连组成的预测网络；将输入层的输入维度设置为2，深度设置为3，输入时间步长设置为20，将隐藏层的维度设置为64，将全连接层的输入维度设置为64，输出维度设置为2；
步骤2，搭建一个与预测网络的结构相同的更新网络；将输入层的输入维度设置为2，深度设置为4，输入时间步长设置为10，将隐藏层的维度设置为256，将全连接层的输入维度设置为256，输出维度设置为2；
步骤3，生成每个移动目标的状态向量：
在飞行高度1000米以内的低空平面场景中，随机选取恒速CV和恒转速CT两种方式运动的目标，从每种方式中至少选取256个移动目标组成样本集，以采样间隔Ts＝1，对样本集中移动目标的跟踪时长进行均匀采样；利用状态转移方程，得到每个移动目标所有采样时刻的状态向量；将每个移动目标的状态向量中x轴坐标值和y轴坐标值组成该移动目标的位置序列；
步骤4，分别生成预测网络和更新网络的训练集：
步骤4.1，按照采样时刻对每个移动目标的位置序列进行划分，将每个位置序列划分后相邻采样时刻的两条子序列组成该移动目标的训练样本，将前一条子序列作为输入序列，后一条子序列作为标签序列，将所有移动目标的训练样本组成预测网络的训练集；
步骤4.2，利用观测方程，得到每个移动目标所有采样时刻的量测序列，按照采样时刻对每个移动目标的量测序列和位置序列进行划分，将所有同一采样时刻的位置子序列和量测子序列组成该移动目标的训练样本，将量测子序列作为输入序列，位置子序列作为标签序列，将所有移动目标的训练样本组成更新网络的训练集；
步骤5，训练预测网络和更新网络：
将预测网络的训练集和更新网络的训练集分别输入到预测网络和更新网络中，使用均方误差MSE作为损失函数，利用Adam优化算法和余弦退火算法，将网络中的参数迭代更新，直至预测网络的损失函数和更新网络的损失函数分别收敛为止，分别得到训练好的预测网络和更新网络；
步骤6，利用预测网络得到待跟踪目标的预测位置向量：
将雷达连续两个扫描周期时间内观测到的目标作为待跟踪目标；对每个待跟踪目标的位置序列进行归一化后输入到训练好的预测网络中，将预测网络输出位置序列的最后一个向量，作为待跟踪目标在该向量对应时刻的预测位置向量；
步骤7，利用动态波门得到待跟踪目标的有效量测：
计算初始波门阈值γd，待跟踪目标的预测位置向量与量测向量之间的统计距离自适应波门阈值确定动态波门的区域大小；比较γd，和的大小关系，将或的量测向量记作有效量测，将的待跟踪目标记作在第k个采样时刻发生机动的机动目标；将机动目标累计的预测位置向量和量测向量清空，并将机动目标的存活权重降低至0.8；
步骤8，利用更新网络得到待跟踪目标的更新位置向量：
步骤8.1，计算每个待跟踪目标在当前采样时刻的预测位置向量与每个有效量测之间的欧氏距离，将欧式距离作为该待跟踪目标与每个有效量测之间关联的代价，对每个待跟踪目标在每个采样时刻的有效量测和有效量测对应的待跟踪目标使用全局最近邻GNN算法进行数据关联，为每个具有有效量测的待跟踪目标分配一个关联量测向量；
步骤8.2，将每个待跟踪目标所有的关联量测向量组成一个量测序列，将归一化后的每个待跟踪目标的量测序列，分别输入到训练好的更新网络中，将通过更新网络输出的每个序列中最后一个向量作为每个待跟踪目标在当前采样时刻的更新位置向量；
步骤8.3，判断当前跟踪的采样时刻是否为最后一个采样时刻，若是，则执行步骤9，否则，执行步骤6；
步骤9，输出待跟踪目标的跟踪轨迹：
根据每个更新位置向量确定待跟踪目标在每个采样时刻的位置，将每个待跟踪目标在所有采样时刻的位置依次连接起来得到每个待跟踪目标的跟踪轨迹。

2.根据权利要求1所述的基于预测更新网络和动态波门的多机动目标跟踪方法，其特征在于，步骤3中所述跟踪时长指的是，每个移动目标从雷达扫描跟踪场景图中首次出现到消失的时间长度。

3.根据权利要求1所述的基于预测更新网络和动态波门的多机动目标跟踪方法，其特征在于，步骤3中所述状态转移方程如下：
其中，xq表示第q个移动目标所有采样时刻的状态向量，n表示对移动目标所有采样时刻采样的总次数，k表示对移动目标采样次数的序号，表示第q个移动目标在第k个采样时刻的状态转移矩阵，表示第q个移动目标由第k个采样时刻转移至第k+1个采样时刻的状态向量，表示第q个移动目标由第k个采样时刻转移至第k+1个采样时刻的过程噪声向量。

4.根据权利要求1所述的基于预测更新网络和动态波门的多机动目标跟踪方法，其特征在于，步骤3中所述状态向量是由移动目标的x轴坐标值、沿x轴方向的运动速度、y轴坐标值、沿y轴方向的运动速度、转动角速度共五个参数组成。

5.根据权利要求3所述的基于预测更新网络和动态波门的多机动目标跟踪方法，其特征在于，步骤4.2中所述观测方程如下：
其中，zq表示第q个移动目标所有采样时刻的量测序列，表示第q个移动目标在第k个采样时刻由状态空间映射到观测空间的转换矩阵，表示第q个移动目标在第k个采样时刻的量测噪声向量。

6.根据权利要求1所述的基于预测更新网络和动态波门的多机动目标跟踪方法，其特征在于，步骤5中所述预测网络的损失函数如下：
其中，L表示预测网络的损失函数，M表示预测网络的训练集中训练样本的总数，表示预测网络的训练集中第iu个训练样本的输入序列中的向量总数，表示预测网络的训练集中第iu个训练样本的标签序列中的第r个向量，表示预测网络的训练集中第iu个训练样本的输入序列经预测网络输出序列中的第r个向量，||·||2表示求二范数操作。

7.根据权利要求1所述的基于预测更新网络和动态波门的多机动目标跟踪方法，其特征在于，步骤5中所述更新网络的损失函数如下：
其中，L'表示更新网络的损失函数，M'表示更新网络的训练集中训练样本的总数，表示更新网络的训练集中第iv个训练样本的输入序列中的向量总数，表示更新网络的训练集中第iv个训练样本的标签序列中的第s个向量，表示更新网络的训练集中第iv个训练样本的输入序列经更新网络输出序列中的第s个向量。

8.根据权利要求1所述的基于预测更新网络和动态波门的多机动目标跟踪方法，其特征在于，步骤7中所述动态波门指的是以待跟踪目标动态波门的初始波门阈值或自适应波门阈值为门限，以预测位置向量的位置作为中心点，用来确定待跟踪目标在每个采样时刻量测向量可能出现的区域。

9.根据权利要求1所述的基于预测更新网络和动态波门的多机动目标跟踪方法，其特征在于，步骤7中所述初始波门阈值是由下式得到的：
γd＝‑2ln(1‑Pd)其中，γd表示待跟踪目标的波门初始阈值，Pd表示动态波门的初始检测概率。

10.根据权利要求1所述的基于预测更新网络和动态波门的多机动目标跟踪方法，其特征在于，步骤7中所述待跟踪目标的预测位置向量与量测向量之间的统计距离是由下式得到的：
其中，表示第q个待跟踪目标在第k个采样时刻的预测位置向量与量测向量之间的统计距离，表示第q个待跟踪目标在第k个采样时刻的新息协方差，上角标T表示转置操作。

11.根据权利要求1所述的基于预测更新网络和动态波门的多机动目标跟踪方法，其特征在于，步骤7中所述自适应波门阈值是由下式得到的：
其中，表示第q个待跟踪目标第k个采样时刻的自适应波门阈值，表示第q个移动目标在第1个采样时刻到第k‑1个采样时刻之间存活权重为1所持续时间的总长度。

12.根据权利要求10所述的基于预测更新网络和动态波门的多机动目标跟踪方法，其特征在于，步骤8.1中所述每个待跟踪目标在当前采样时刻的预测位置向量与每个有效量测之间的欧氏距离是由下式得到的：
其中，表示第q个待跟踪目标在第k个采样时刻的预测位置向量与每个量测向量之间的欧氏距离，D表示预测位置向量和量测向量的维度，表示预测位置向量中的第d维数值，表示量测向量中的第d维数值。