1.一种基于稀疏贝叶斯学习的MIMO雷达波离方向和波达方向联合估计方法，其特征在于，包括如下步骤：步骤1：接收系统接收到的信号经过匹配滤波后，在接收机处的输出表示为y(t)；

步骤2：建立二维非均匀采样网格；

步骤3：在L快拍的情况下，建立基于步骤2所述网格的离网模型Y；

步骤4：设置迭代次数计数变量i＝1，信号的精度向量 中各元素初始化为1，噪声精度初始化为α0＝1；

步骤5：初始化β和η中各元素为0，固定δ为当前值，更新α0；

步骤6：固定α0，β和η为当前值，更新δ；

步骤7：固定α0，δ和η为当前值，更新β；

步骤8：固定α0，δ和β为当前值，更新η；

步骤9：利用步骤7，8中的β和η更新网格步骤10：判断迭代计数变量i是否达到上限I或δ是否收敛，如果都不满足，则迭代计数变量i＝i+1，并返回步骤5；

步骤11：对δ进行谱峰搜索，得到的K个极大值点对应的角度，即为目标角度的最终估计值。

2.根据权利要求1所述的一种基于稀疏贝叶斯学习的MIMO雷达波离方向和波达方向联合估计方法，其特征在于，步骤1中，所述接收机处的输出y(t)的表达式为：式中：

L表示快拍数，

表示阵列流型矩阵，它的定义为 其中K为入射 信号 个 数 ，θk , 分 别 表 示 第k 个 真 实 D O D 和D O A 值 。

其中 j表示虚数，(·)T表示

矩阵转置， 表示克罗内克积，M1表示发射阵列的个数，M2表示接收阵列的个数。

s(t)＝[s1(t),s2(t),...,sK(t)]T，其中sk(t)＝εkexp(j2πfkt)，fk表示多普勒频率，εk表示振幅，n(t)表示t时刻一个M1M2×1维零均值高斯白噪声向量。

3.根据权利要求1所述的一种基于稀疏贝叶斯学习的MIMO雷达波离方向和波达方向联合估计方法，其特征在于，步骤2的具体实现方法：将DOD角度域 均匀划分出N个网格点 即 将DOA角度域均匀划分出N个网格点 即 建立具有N个网格点的二维非均匀采样网格 其中：

m表示对角采样线的个数， 表示向下取整。

4.根据权利要求1所述的一种基于稀疏贝叶斯学习的MIMO雷达波离方向和波达方向联合估计方法，其特征在于，步骤3中，所述建立的离网模型Y的表达式为：Y＝G(β,η)X+N；

其中：

和 中的元素βn和ηn分别表示θn和 的角度偏差，Y＝[y(1),y(2),...,y(L)]，N＝[n(1),n(2),...,n(L)]，X＝[x(1),x(2),...,x(L)]是S的N×L维零展开矩阵，每列中只有K个元素对应于目标位置，其它则全为零。S＝[s(1),s(2),...,s(t)]。

5.根据权利要求1所述的一种基于稀疏贝叶斯学习的MIMO雷达波离方向和波达方向联合估计方法，其特征在于，步骤5中，更新α0的方法为：其中：

a＝b＝0.0001，

[·]nn表示矩阵的第n行

和第n列，||·||2表示矩阵的2范数，μ(t)＝α0ΣGH(β,η)y(t)，Σ＝(α0GH(β,η)G(β,η)+Δ-1)-1，Δ＝diag(δ-1)，(·)H表示共轭转置。

6.根据权利要求1所述的一种基于稀疏贝叶斯学习的MIMO雷达波离方向和波达方向联合估计方法，其特征在于，步骤6中，更新δ的方法为：

7.根据权利要求1所述的一种基于稀疏贝叶斯学习的MIMO雷达波离方向和波达方向联合估计方法，其特征在于，步骤7中，更新β的方法为：其中：Re{·}表示取实部操作， 表示伪逆，表示Hadamard积，U＝[μ(1),μ(2),...,μ(L)]，

8.根据权利要求7所述的一种基于稀疏贝叶斯学习的MIMO雷达波离方向和波达方向联合估计方法，其特征在于，步骤8中，更新η的方法为：其中：

9.根据权利要求8所述的一种基于稀疏贝叶斯学习的MIMO雷达波离方向和波达方向联合估计方法，其特征在于，步骤9中，更新网格 的方法为：