2．2 数据融合方法
    该方案最核心的问题就是系统基于数据融合的定位算法的设计。在列车测速定位领域应用的数据融合方法有判断检测理论、估计理论、数据关联等，而应用最广泛的就是估计理论中的卡尔曼滤波方法。与其他估计算法相比，卡尔曼滤波具有显著的优点：采用状态空间法在时域内设计滤波器，用状态方程就可以描述任何复杂多维信号的动力学特性，避开了在频域内对信号功谱做分解带来的麻烦，滤波器的设计简单易行，采用递推算法。所以卡尔曼滤波能适用于任何平稳或非平稳随机向量过程的估计，所得估计在线性估计中精度最佳。目前已经开发的滤波算法包括线性卡尔曼滤波，扩展卡尔曼滤波以及联邦卡尔曼滤波。该方案采用联邦卡尔曼滤波进行数据融合。

2．2．1 数据融合的联合卡尔曼滤波模型
    此滤波算法中，取βm=0，即主滤波器没有信息输入，进一步优化系统，减少了运算量。
2．2．2 系统滤波算法步骤
    (1)由局部滤波器l处理GPS接收机输出的列车位置信息，并给出状态估计x1和估计误差的协方差矩阵p1；
    (2)局部滤波器2处理陀螺仪和里程仪输出的角度信息x2和列车运行距离信息，给出状态估计和估计误差的协方差矩阵p2；
    (3)局部滤波器3处理查询应答器输出的进路长度等信息，给出状态估计x3和估计误差的协方差矩阵p3；
    (4)x1，x2，x3，及p1，p2，p3被送到主滤波器，并同主滤波器的状态估计一起按式(1)和式(2)进行融合，得到全局最优估计和协方差矩阵

   
    (5)利用主滤波器的最优估计值对3个子滤波器的状态估计进行重置。即
   
2．2．3 信息分配参数的选择
    不同的信息分配系数可以获得联邦滤波器的不同结构以及不同的容错性能、滤波精度和计算量。本方案中设计了一种自适应联邦卡尔曼滤波器。利用GPS接收机输出的反映定位精度的参数为依据，自动调整P值的大小。本定位系统根据GPS接收机的p值大小来决定取值。具体的自适应算法为