1.基于神经网络的近场源到达角估计方法，其特征在于，包括以下步骤：步骤一、传感器阵列接收入射信号训练区间内的N组训练信号；

K个训练信号的M次采样得到一组训练数据，然后将训练信号整体旋转一个角度，传感器阵列获取下一组训练数据，直至遍历整个训练区间，共得到N组训练数据；

步骤二、构建训练数据的协方差矩阵；

第n组训练数据的协方差矩阵

训练数据的协方差矩阵中各元素的值根据以下公式计算：

式中的x(n)‑p表示第‑p个阵元

的第n组训练数据， 表示第p个阵元的第n组训练数据的转置复共轭， 为第n组训练数据的第k个训练信号的方差， 为噪声方差，δ( )表示狄利克雷函数，d为传感器阵列中相邻阵元之间的间距，λk为第k个训练信号的波长，θ(n)k为第n组训练数据的第k个训练信号的到达角，p＝0,…,P，P为传感器阵列中心一侧布置的阵元数量；

步骤三、构建用于对神经网络进行训练的训练数据集合Ω，训练数据集合 其中， 为归一化数据协方差矩阵，Θ为到达角矩阵；

将每一组训练数据的协方差矩阵中上三角区域的元素置于一个列向量中，得到该组训练数据对应的特征列向量，N组训练数据的特征列向量组成训练数据复数矩阵，对训练数据复数矩阵中的每个元素分别取实部和取虚部，得到训练数据实部矩阵和训练数据虚部矩阵，将训练数据实部矩阵和训练数据虚部矩阵按列排放，构造训练数据特征矩阵；将训练数据特征矩阵的每一行元素分别进行归一化处理，得到归一化训练数据协方差矩阵 到达角矩阵Θ由N组训练数据的K个训练信号的到达角组成；

步骤四、利用训练数据集合Ω对神经网络进行训练；

神经网络包含1个输入层、L个隐层及1个输出层，训练包括前向过程和反向过程，前向过程中将归一化训练数据协方差矩阵R～的列元素作为训练输入数据按列输入到神经网络中，通过神经网络的输入层依次向后传递，输出层的输出值为神经网络最终的输出结果；反向过程中计算神经网络的输出结果与对应的训练信号的到达角之间的误差矩阵为神经网络的输出结果输出结果，Θn为与输出结果对应的K个训练信号的到达角，根据误差矩阵构建损失函数 errorn(k)表示第n组训练数据的第k个信号的角度误差矩阵，k＝1,2,…,K，当损失函数的值小于预设值则训练过程结束，反之则利用误差反向传播算法计算神经网络中各层权值矩阵对应的修正值矩阵以及各层阈值矩阵对应的修正值矩阵，利用权值矩阵和阈值矩阵各自对应的修正值矩阵对原权值矩阵和原阈值矩阵进行修正；

修正后，将归一化训练数据协方差矩阵 的下一列元素输入到神经网络中，重复前向过程和反向过程，直至损失函数的值小于预设值，神经网络的训练过程完成；

步骤五、利用训练好的神经网络计算测试信号的到达角估计值：

传感器阵列接收训练区间范围内的N’组测试信号，K个测试信号的M次采样数据得到一组测试数据，然后将测试信号整体旋转一个角度，传感器阵列获取下一组测试数据，直至遍历整个训练区间，共得到N’组测试数据；

构建测试数据的协方差矩阵，第n’组测试数据的协方差矩阵

测试数据的协方差

矩阵中各元素的值根据以下公式计算：

式中的x(n′)‑p为第‑p个阵元

的第n’组测试数据, 为第p个阵元的第n’组测试数据的转置复共轭, 为第n’组测试数据的第k个测试信号的方差， 为噪声协方差， λk'为第k个测试信号的波长，θ(n′)k为第n’组测试数据的第k个测试信号的到达角；

构造归一化测试数据协方差矩阵，将一组测试数据的协方差矩阵中上三角区域元素置于一个列向量中，得到该组测试数据对应的特征列向量，所有测试数据的特征列向量组成测试数据复数矩阵，对测试数据复数矩阵中的每个元素分别取实部和取虚部，对应得到测试数据实部矩阵和测试数据虚部矩阵，将测试数据实部矩阵和测试数据虚部矩阵按列排放，构造测试数据特征向量；利用步骤三中得到训练数据特征矩阵的各行元素的最大值、最小值对测试数据特征向量的每一行元素进行归一化，得到归一化测试数据协方差矩阵；

计算测试信号的到达角估计值：将归一化测试数据协方差矩阵的列元素作为测试输入数据，输入到步骤四训练好的神经网络中，神经网络通过前向过程计算测试信号的到达角的估计值。

2.如权利要求1所述的基于神经网络的近场源到达角估计方法，其特征在于：所述传感器阵列为均匀对称线性阵列。

3.如权利要求2所述的基于神经网络的近场源到达角估计方法，其特征在于：所述传感器阵列共有2P+1个阵元，坐标原点处设置一个阵元，在原点两侧分别对称布置P个阵元，相邻阵元之间的间距为d，d＝λmin/4，λmin为入射信号的最小波长。

4.如权利要求1或2或3所述的基于神经网络的近场源到达角估计方法，其特征在于：步骤三中归一化处理的过程如下：根据公式 对训练数据特征矩阵中每一行的每个元素进行处理，式中的r′jj(n)表示训练数据特征矩阵中第jj个行向量r′jj里的第n个元素，r″jj表示第jj个行向量r′jj所有元素中的最大值，r″′jj表示第jj个行向量r′jj所有元素2

中的最小值，jj＝1,2,…,P+3P+2。

5.如权利要求1或2或3所述的基于神经网络的近场源到达角估计方法，其特征在于：步骤四中，将归一化训练数据协方差矩阵 的第n列元素 作为训练输入数据，n＝1,…,N，通过神经网络的输入层输入到第一个隐层中，并根据 得到第一个隐层

1 1

的输出值y (n)output，第一个隐层的输出值y (n)output作为第二个隐层的输入值并继续由2

计算得到第二个隐层的输出值y(n)output，重复上述过程，将一个隐层的输出值作为下一个隐层的输入值不断计算，直到得到第L个隐层的输出值 将第L个隐层的输出值 作为输出层的输入值并根据 计算神经网0

络最终的输出结果 其中，W1为第一个隐层和输入层之间的初始权值矩阵， 为第二个隐层和第一个隐层之间的初始权值矩阵， 是输出层和第L个隐层之间的初始权值矩阵，为第一个隐层的初始阈值矩阵， 为第二个隐层的初始阈值矩阵， 为输出层的初始阈值矩阵。

6.如权利要求1或2或3所述的基于神经网络的近场源到达角估计方法，其特征在于：将到达角估计值代入阵列接收信号导向矢量中， 为第

n’组测试信号的到达角估计值，r为第k个测试信号到传感器阵列中心点的距离，利用MUSIC方法对测试数据进行处理，得到与测试数据对应的MUSIC谱峰图，谱峰图中峰值对应的距离值即为测试信号的距离参数。