1.一种基于自选择神经网络的DOA估计方法，其特征在于，包括：S1、在窄带远场信号从不同方向入射时采集阵列接收数据，计算阵列接收数据的协方差矩阵，将所述协方差矩阵的实部和虚部分别转换为二维矩阵，并组合为双通道阵列接收矩阵；以所述双通道阵列接收矩阵和入射方向作为样本构建训练样本集；

S2、根据预设的卷积神经网络结构参数，生成N个初始卷积神经网络，每个卷积神经网络的输入为双通道阵列接收矩阵，输出为入射方向的概率向量；每个卷积神经网络由级联的两部分组成，第一部分由卷积层和最大池化层组成，且第一层为卷积层；第二部分由至少一个全连接层组成；

初始化每个卷积神经网络的权重；

S3、采用粒子群算法对N个卷积神经网络进行优化，确定最优卷积神经网络；

S4、根据天线阵列接收到的数据生成接收矩阵，将所述矩阵输入步骤S3中确定的最优卷积神经网络，所述最优卷积神经网络的输出为DOA估计结果。

2.根据权利要求1所述的基于自选择神经网络的DOA估计方法，其特征在于，所述步骤S1具体为：

当窄带远场信号从方向θi入射到均匀线性天线阵列时，采集阵列接收数据Xi(t)：Xi(t)T

＝[x1i(t),x2i(t),…,xMi(t)]；

其中xmi(t)为第m个阵元接收到的数据，m＝1,2,…,M，M为均匀线性天线阵列中的阵元数；

计算阵列接收数据Xi(t)的协方差矩阵：其中Z为快拍数，上标H表示共轭转置，上标*表示共轭；分别根据Ri的实部和虚部生成像素大小为M×M的二维矩阵 和 组合为双通道矩阵将入射方向θi转换为概率向量Θi，组合为样本(ri,Θi)。

3.根据权利要求1所述的基于自选择神经网络的DOA估计方法，其特征在于，所述步骤S2中采用Xavier初始化每个卷积神经网络的权重。

4.根据权利要求1所述的基于自选择神经网络的DOA估计方法，其特征在于，所述步骤S3包括：

S31、初始化：生成数量为N的粒子群，粒子的位置坐标维数D为N个卷积神经网络第一部分层数的最大值D1与第二部分层数的最大值D2之和；初始化迭代次数τ＝0；

初始化每个粒子的位置：

其中n＝1,2，…，N，l1＝1,2，…，D1，l2＝1,2，…，D2；Pn[l1]表示第n个粒子位置的第l1个元素；CNNn[l1]表示第n个卷积神经网络第一部分第l1层；CNNn[l2]表示第n个卷积神经网络第二部分第l2层；

采用训练样本集对N个卷积神经网络进行训练；误差函数为：其中ys,w为第s个训练样本的入射方向概率向量的第w个元素；ys′,w为第s个训练样本中的双通道阵列接收矩阵作为输入时卷积神经网络输出的入射方向概率向量的第w个元素；

将每个粒子的个体最优pBestn初始化为自身；

将N个卷积神经网络中误差函数最小的作为全局最优卷积神经网络，根据所述全局最优神经网络的结构映射得到全局最优粒子gBest；

S32、更新粒子的速度和位置：计算每个粒子与个体最优和全局最优的位置差异项；对于第n个粒子，其与个体最优的位置差异项中第l个元素为：

与全局最优粒子的位置差异项中第l个元素为：其速度的第l个元素取值方法为：生成[0,1)内均匀分布的随机数r，如果r＞c， 的取值为 如果r≤c，的取值为 其中c为预设的加速常数；l＝1,2,…,D；

更新粒子的位置，对于第n个粒子，更新后的位置为：S33、更新粒子的个体最优以及全局最优粒子：根据更新后的N个粒子位置建立N个卷积神经网络，网络中的层类型与粒子位置中的元素对应，网络结构参数根据预设的卷积神经网络结构参数设置；

采用训练样本集对N个卷积神经网络进行训练，在层与层之间增加dropout和批归一化BN防止训练中的过拟合；

根据本次训练后的每个卷积神经网络的误差函数更新对应粒子的个体最优pBestn；

根据本次训练后的N个卷积神经网络中误差函数最小值更新全局最优卷积神经网络，根据所述全局最优神经网络的结构更新全局最优粒子gBest；

S34、令迭代次数τ加一；

如果达到迭代终止条件，根据当前全局最优粒子gBest进行迁移学习，映射成卷积神经网络，即为最优卷积神经网络；

如果没有达到迭代终止条件，跳转至步骤S32进行下一次迭代。

5.一种基于自选择神经网络的DOA估计系统，其特征在于，包括：样本集构建模块，用于建立训练样本集，具体方法为：在窄带远场信号从不同方向入射时采集阵列接收数据，计算阵列接收数据的协方差矩阵，将所述协方差矩阵的实部和虚部分别转换为二维矩阵，并组合为双通道阵列接收矩阵；以所述双通道阵列接收矩阵和入射方向作为样本构建训练样本集；

初始卷积神经网络生成模块，用于根据预设的卷积神经网络结构参数，生成N个初始卷积神经网络，每个卷积神经网络的输入为双通道阵列接收矩阵，输出为入射方向的概率向量；每个卷积神经网络由级联的两部分组成，第一部分由卷积层和最大池化层组成，且第一层为卷积层；第二部分由至少一个全连接层组成；初始化每个卷积神经网络的权重；

最优卷积神经网络确定模块，用于采用粒子群算法对N个卷积神经网络进行优化，确定最优的卷积神经网络；

DOA估计模块，用于根据天线阵列接收到的数据生成接收矩阵，将所述矩阵输入最优卷积神经网络确定模块确定的最优卷积神经网络，所述最优卷积神经网络的输出为DOA估计结果。

6.根据权利要求5所述的基于自选择神经网络的DOA估计系统，其特征在于，所述样本集构建模块构建样本的步骤为：

当窄带远场信号从方向θi入射到均匀线性天线阵列时，采集阵列接收数据Xi(t)：Xi(t)T

＝[x1i(t),x2i(t),…,xMi(t)]；

其中xmi(t)为第m个阵元接收到的数据，m＝1,2,…,M，M为均匀线性天线阵列中的阵元数；

计算阵列接收数据Xi(t)的协方差矩阵： 其中Z为快拍数，上标H表示共轭转置，上标*表示共轭；

分别根据Ri的实部和虚部生成像素大小为M×M的二维矩阵 和 组合为双通道矩阵

将入射方向θi转换为概率向量Θi，组合为样本(ri,Θi)。

7.根据权利要求5所述的基于自选择神经网络的DOA估计系统，其特征在于，所述初始卷积神经网络生成模块采用Xavier初始化每个卷积神经网络的权重。

8.根据权利要求5所述的基于自选择神经网络的DOA估计系统，其特征在于，所述最优卷积神经网络确定模块确定最优的卷积神经网络的步骤包括：生成数量为N的粒子群，粒子的位置坐标维数D为N个卷积神经网络第一部分层数的最大值D1与第二部分层数的最大值D2之和；初始化迭代次数τ＝0；初始化每个粒子的速度为0向量：

初始化每个粒子的位置：

其中n＝1,2，…，N，l1＝1,2，…，D1，l2＝1,2，…，D2；Pn[l1]表示第n个粒子位置的第l1个元素；CNNn[l1]表示第n个卷积神经网络第一部分第l1层；CNNn[l2]表示第n个卷积神经网络第二部分第l2层；

使用SGD优化器、采用训练样本集对N个卷积神经网络进行训练，在层与层之间增加dropout和批归一化BN防止训练中的过拟合；误差函数为：其中ys,w为第s个训练样本的入射方向概率向量的第w个元素；ys′,w为第s个训练样本中的双通道阵列接收矩阵作为输入时卷积神经网络输出的入射方向概率向量的第w个元素；

将每个粒子的个体最优pBestn初始化为自身；

将N个卷积神经网络中误差函数最小的作为全局最优卷积神经网络，根据所述全局最优神经网络的结构映射得到全局最优粒子gBest；

S32、更新粒子的速度和位置：计算每个粒子与个体最优和全局最优的位置差异项；对于第n个粒子，其与个体最优的位置差异项中第l个元素为：

与全局最优粒子的位置差异项中第l个元素为：其速度的第l个元素取值方法为：生成[0,1)内均匀分布的随机数r，如果r＞c， 的取值为 如果r≤c，的取值为 其中c为预设的加速常数；l＝1,2,…,D；

更新粒子的位置，对于第n个粒子，更新后的位置为：S33、更新粒子的个体最优以及全局最优粒子：根据更新后的N个粒子位置建立N个卷积神经网络，网络中的层类型与粒子位置中的元素对应，网络结构参数根据预设的卷积神经网络结构参数设置；

采用训练样本集对N个卷积神经网络进行训练，在层与层之间增加dropout和批归一化BN防止训练中的过拟合；

根据本次训练后的每个卷积神经网络的误差函数更新对应粒子的个体最优pBestn；

根据本次训练后的N个卷积神经网络中误差函数最小值更新全局最优卷积神经网络，根据所述全局最优神经网络的结构更新全局最优粒子gBest；

S34、令迭代次数τ加一；

如果达到迭代终止条件，根据当前全局最优粒子gBest进行迁移学习，映射成卷积神经网络，即为最优卷积神经网络；

如果没有达到迭代终止条件，跳转至步骤S32进行下一次迭代。

9.一种计算机可读取存储介质，其上存储有计算机指令，其特征在于，所述计算机指令运行时执行权利要求1至8任一项所述的自选择神经网络的DOA估计方法。

10.一种DOA估计设备，其特征在于，包括处理器及存储介质，所述存储介质为权利要求

9所述的计算机可读取存储介质；所述处理器加载并执行所述存储介质中的指令及数据用于实现权利要求1至8任一项所述的自选择神经网络的DOA估计方法。