1.一种基于平行因子算法的双基地EMVS-MIMO雷达角度估计算法，其特征在于，所述算法包括：S1、根据匹配滤波后的阵列信号模型构建三阶平行因子张量模型；

S2、对所述三阶平行因子张量模型进行平行因子分解，得到因子矩阵的估计值；

S3、根据因子矩阵的估计值，采用ESPRIT算法获得对方位角的估计，利用矢量叉乘的性质获得俯仰角的估计；

S4、利用最小二乘法获得二维极化角的估计。

2.根据权利要求1所述基于平行因子算法的双基地EMVS-MIMO雷达角度估计算法，其特征在于，所述步骤S1中，所述三阶平行因子张量模型具体的张量形式如下：其中， 式中

Bt和At分别表示发射阵列对应的发射方向矩阵和发射极化响应矩阵，Br和Ar分别表示接收阵列对应的接收方向矩阵和接收极化响应矩阵，⊙表示按列克罗内克积，F是目标特征矩阵， 是相对应的噪声张量，下标×n表述张量的模n乘积。

3.根据权利要求1所述基于平行因子算法的双基地EMVS-MIMO雷达角度估计算法，其特征在于，所述步骤S2具体为：S21、将对因子矩阵Dt，Dr，F的估计问题转化为求解如下优化问题：S22、根据张量展开的定义，将 以矩阵的形式展开：其中， 表示 的模n展开；将对因子矩阵Dt，Dr，F的估计问题转化为如下优化问题：S23、通过三线性交替最小二乘法来求解步骤S22所述优化问题，其最优解分别为：根据所述最优解得到因子矩阵的估计值 和

4.根据权利要求1所述基于平行因子算法的双基地EMVS-MIMO雷达角度估计算法，其特征在于，所述步骤S3中，2D-DOD估计过程具体为：S301、计算

其中， 定义

表示置换矩阵，Δ1是K×K实对角矩阵；

S302、对 进行特征值分解，得到特征值 和相应的特征向量 θt,k的估计为：

S303、计算At的估计：

round{·}表示取近似值；令 和 分别代表 第k列的前三个和最后三个元素，则矢量叉积 φt,k的估计为：其中，pt,k(1)和pt,k(2)分别表示pt,k的第一和第二个元素。

5.根据权利要求4所述基于平行因子算法的双基地EMVS-MIMO雷达角度估计算法，其特征在于，所述步骤S4中，2D-TPA估计为：令 根据 构建方向矩阵Vt,k，则极化向量可以通过下式估计：二维发射极化角的估计为：

其中gt,k(1)和gt,k(2)分别表示gt,k的第一和第二个元素。

6.根据权利要求1所述基于平行因子算法的双基地EMVS-MIMO雷达角度估计算法，其特征在于，所述步骤S3中，2D-DOA估计为：S311、计算

其中

Δ2是K×K实对角矩

阵；

S312、对 进行特征分解，λr,k为 的第k个对角元素，则θr,k的估计为：S313、计算At的估计：

令 和 分别代表 第k列的前三个和最后三个元素，则矢量叉积φt,k的估计为：

其中，pr,k(1)和pr,k(2)分别表示pr,k的第一和第二个元素。

7.根据权利要求6所述基于平行因子算法的双基地EMVS-MIMO雷达角度估计算法，其特征在于，所述步骤S4中，2D-RPA估计为：令 根据 构建方向矩阵Vr,k，则极化向量可以通过下式估计：二维发射极化角可以通过下式来计算：其中gr,k(1)和gr,k(2)分别表示gr,k的第一和第二个元素。

8.一种基于平行因子算法的双基地EMVS-MIMO雷达角度估计装置，其特征在于，所述装置包括：模型构建模块：根据匹配滤波后的阵列信号模型构建三阶平行因子张量模型；

因子分解模块：对所述三阶平行因子张量模型进行平行因子分解，得到因子矩阵的估计值；

角度估计模块：根据因子矩阵的估计值，采用ESPRIT技术获得对方位角的估计，利用矢量叉乘的性质获得俯仰角的估计；利用最小二乘技术获得二维极化角的估计。