输入：节点i中本地估计序列X̂i(tn)、接收其他节点发送的本地估计X̂j(tj)

输出：当前时刻目标的局部状态估计X̂F(t)

1） 在本地估计序列X̂i(tn)中搜索采样时刻最接近的本地估计X̂(ti)

2） 利用卡尔曼预测将X̂j(tj)配准至ti时刻，得到估计值X̂j(ti)和协方差P̂j(ti)：

Δt=ti-tj

X̂j(ti)=Φ(Δt)X̂j(tj)

P̂j(ti)=Φ(Δt)P̂j(tj)Φ(Δt)T+Q

3） 一步加权融合ti时刻的局部状态估值X̂(ti)和X̂j(ti)：

P-1(ti)=Pj-1(ti)+Pji-1(ti)

X̂(ti)=P(ti)[Pi-1(ti)X̂i(ti)+Pj-1(ti)X̂j(ti)]

4） 将一步融合结果配准至配准时刻t，获得预测的状态估值X̂(t)和协方差P̂(t)：

Δt=t-ti

X̂(t)=Φ(Δt)X̂(ti)

P̂(t)=Φ(Δt)P̂(ti)Φ(Δt)T+Q

5） 两步加权融合t时刻的局部状态估值X̂(t)和本地传感器新的局部估计值X̂j(t)：

PF-1(t)=wP-1(t)+(1-w)Pj-1(t)

X̂F(t)=PF(t)[(1-w)Pj-1(t)X̂j(t)+wP-1(t)X̂(t)]