1.基于深度神经网络的角度依赖型复杂阵列误差校准方法，其特征在于，包括以下步骤：

(S1)：将阵列放置于暗室中的伺服平台上，并根据阵列主动或被动工作模式，在阵列的远场固定一角反射器或辐射源，采集暗室数据；设置系统参数使阵列输出基带信号的信噪比尽可能接近动态范围内的最大值；转动伺服使辐射源的辐射信号相对于阵列法线的到达角从小到大依次为θ1,θ2,...,θL，记录各角度对应的阵列输出基带信号x1,x2,...,xL，其中xl,l＝1,2,...,L为M维复数向量，M为阵元数，L为暗室测量的角度网格点数；

(S2)：对每个暗室测量得到的基带信号用蒙特卡罗法添加零均值高斯白噪声；对于xl,l＝1,2,...,L，进行Q次蒙特卡罗实验；第q次蒙特卡罗实验得到信号ylq＝xl+εlq，εlq为方差为 的零均值高斯白噪声，对应的角度θlq＝θl，q＝1,2,...,Q；ylq的信噪比计算公式为||xl||2表示xl的2范数；

(S3)：计算阵列导向矢量，并对暗室未测量到的角度网格点进行局部阵列流型插值处理，以细化网格；设Ω＝{θ1,θ2,...,θL}为暗室测量的网格点集合，若θ∈Ω，则导向矢量计算公式为 其中ylq[1]为ylq的第一个元素；若 假设θl＜θ＜θl+1，则 其中a(θ)为与阵列构型相关的理想

解析导向矢量， 为局部阵列流型插值矩阵； 的计算方法为：设 为包含θl和θl+1的连续I个角度网格从小到大组成的子网格集合，且I≥M，若θl和θl+1不在网格边缘，Ω′有I-1种取法；对每种取法，都用最小二乘法计算出一个插值矩阵因此，设每两个连续暗室测量网格之间通过插值

细化出η个网格，由于每个细化网格可计算出I-1个导向矢量，则每两个网格之间共插值出η(I-1)个导向矢量；考虑到之前的蒙特卡罗加噪处理及网格的边缘效应，由暗室量测网格和插值细化网格计算出的阵列导向矢量个数共(L+η(L-M+1)(M-1))Q；

(S4)：对每个阵列导向矢量提取对应的复数模式下的相位差；对于M元阵元阵列，找到个阵元对；根据前一步的阵列导向矢量为 求对应阵元对的复数模式下的相位差；

假设一个阵元对的两个阵元对应的数据分别为 中的第m和第n个元素，计算相位差时任 意 选 择 两 个阵 元的 顺 序 ，则 该阵 元 对的 复 数 模式 下的 相 位 差 为其中abs(·)为复数求模；对于同一个基线长度对应的所有阵元对的复数模式下的相位差进行平均，并对平均后的幅度进行归一化；假设一个阵列有N个不同的基线长度，则每个阵列导向矢量 可转化为一个N维的复数模式下的相位差向量(S5)：将实数化的相位差向量 作为输入特征，来波角度θ作为输出，用反向传播算法来训练回归模式下的深度神经网络f(γ)，其中Re(·)、Im(·)和(·)T和分别表示取实部、取虚部及转置；深度神经网络为全连接神经网络，输入层的神经元个数为2N，隐藏层层数数J≥3，输出层神经元个数为1，训练神经网络的代价函数选择最小化网络输出值的均方误差，同时设置基于网络权重的2范数的正则化项防止过拟合；

(S6)：利用训练好的深度神经网络 进行阵列误差校准；假设阵列输出的测试用基带信号为z；把z当作导向矢量并根据步骤(S4)，计算得复数模式下的相位差向量γz，将其实数化后输入神经网络得到测试信号z的来波角度θz；由θz根据步骤(S3)结合未加噪声的暗室数据求出处对应角度的真实阵列导向矢量，用于其他阵列信号处理。

2.如权利要求1所述的一种基于深度神经网络的角度依赖型复杂阵列误差校准方法，其特征在于：所述步骤(S1)中所选的角度网格点θ1,θ2,...,θL均匀分布于传感器的有效响应的角度区间内。

3.如权利要求1所述的一种基于深度神经网络的角度依赖型复杂阵列误差校准方法，其特征在于：所述步骤(S2)中设置的信噪比为实际应用中目标信噪比动态范围内的最小值。

4.如权利要求1所述的一种基于深度神经网络的角度依赖型复杂阵列误差校准方法，其特征在于：所述步骤(S3)中的子网格集合Ω′的元素个数I＝M。