1.一种基于小波变换联合卷积神经网络的水声阵列信号波达方向估计方法，其特征在于，该方法包括以下步骤：

S1：建立水声阵列信号接收模型并接收信号；

S2：基于小波变换，对接收信号进行时频分析，计算小波系数，构建时频阵列模型；

S3：利用时频阵列模型，计算改进协方差矩阵特征；

S4：根据改进协方差矩阵特征，引入双支路卷积神经网络；

S5：利用S1‑S3构建深度学习数据集，训练所述双支路卷积神经网络，得到波达方向估计模型；

S6：待测信号数据进行所述S2和S3处理，处理后的待测数据特征导入S5得到的波达方向估计模型，最终输出结果，实现信号波达方向估计。

2.如权利要求1所述的水声阵列信号波达方向估计方法，其特征在于，所述S1包括：S1‑1：假设有频率为f、声速为v的远场窄带水声信号入射到有P个阵元的均匀线阵上，相邻阵元间隔为d，小于信号半波长，第一个阵元为参考阵元，则单一阵元的接收信号表示为：

式中，gj表示阵元j接收增益，nj(t)表示阵列j接收噪声，τj表示阵元j相对于参考阵元的时延，表示为：

S1‑2：假设各阵元无方向性，且不存在阵间耦合，取各个阵元的接收增益为1，则将阵列在t时刻的接收信号表示为：

S1‑3：将S1‑2所示接收信号用矩阵形式表示：Y(t)＝AX(t)+N(t)其中，Y(t)为阵列接收信号矩阵，A＝[a1(ω0),a2(ω0),K,aP(ω0)]为阵列流型矩阵，X(t)为水声信号矩阵，N(t)为噪声矩阵，导向矢量a(ω0)所示如下：其中，ω0＝2πf＝2πv/λ，λ为波长。

3.如权利要求1所述的水声阵列信号波达方向估计方法，其特征在于，所述S2具体为：S2‑1：采用复Morlet小波变换来构造时频阵列信号模型，其数学表达式如下：S2‑2：对于任意函数s(t)的连续小波变换定义表示为：式中，a为尺度因子，b为平移因子；

S2‑3:水声阵列信号的时频阵列模型表示为：WT(a,b)＝G(θ,a)Xa(b)+Na(b)T

其中,Xa(b)＝[xa,1(b),xa,2(b),K,xa,P(b)]是阵列接收信号的小波系数向量；Na(b)＝T

[na,1(t),na,2(t),K,na,P(t)]是噪声的小波系数；G(θ,a)＝[g(θ1,a),g(θ2,a),K,g(θN,a)]是P*N的时频导向矢量矩阵， 是1*P的阵列模型数据的时频导向矢量。

4.如权利要求1所述的水声阵列信号波达方向估计方法，其特征在于，所述S3中：S3‑1：计算时频水声阵列模型的协方差矩阵：H

RY＝E[WT(a,b)gWT(a,b)]H

＝E{[G(θ,a)Xa(b)+Na(b)][G(θ,a)Xa(b)+Na(b)]}H

＝G(θ,a)RX(a,b)G(θ,a)+RN(a,b)式中，RX(a,b)表示Xa(b)的信号协方差矩阵，RN(a,b)表示Na(b)的噪声协方差矩阵；

S3‑2：协方差矩阵RY近似表示为：式中，L表示接收信号长度；

S3‑3：将协方差矩阵以矩阵的形式进行表示：S3‑4：分别取协方差矩阵的上三角虚部和下三角实部构成改进协方差矩阵R′，减少深度学习神经网络输入维度，表示为：式中，real(g)表示取实部，imag(g)表示取虚部。

5.如权利要求1所述的水声阵列信号波达方向估计方法，其特征在于，所述S4中所述双支路卷积神经网络具体为：

S4‑1：由于输入特征为P*P的协方差矩阵，输入层设计为P*P*1的结构；

S4‑2：卷积阶段，第一卷积层下支路首先进行P*1的卷积，增强协方差矩阵的列特征关系；同时，上支路进行1*P的卷积，增强协方差矩阵的行特征关系。因此，第一层卷积之后下侧结果为1*P的形式，上侧结果为P*1的形式；

S4‑3:卷积阶段，第二个卷积层首先保证两条支路卷积能够进行合并，因此在下支路的卷积核选为1*P的形式，上支路选择P*1；第二次卷积后，上下支路的输出形式均为1*1；对上下支路输出进行拼接，形成1*2第三个卷积层的输入格式；

S4‑4：第三个卷积层选择1*2的卷积核，增强上下支路的联系；

S4‑5：将输出结果送入全连接层，实现特征和样本标签的映射；最后由Softmax层输出分类结果；

S4‑6：选择去除用于特征降维、压缩数据的池化层；

S4‑7：卷积层使用LeakyRule激活函数，其数学表达式为：其中，scale为固定的泄露值。

6.如权利要求1所述的水声阵列信号波达方向估计方法，其特征在于，所述S5包括：S5‑1：根据S1构造水声阵列信号数据集，数据集中单个数据形式为(Y,θ)，其中Y为水声阵列接收信号，θ为对应的波达方向即深度学习分类标签，从‑90°至90°每1°取一次；

S5‑2：利用所述S2和S3对接收数据集(Y,θ)进行预处理，构建特征数据集(R′,θ)；

S5‑3：将数据集按照7：2：1的比例划分为训练集、验证集、测试集；

S5‑4：利用训练集训练模型，利用验证集验证模型，完成水声阵列信号DOA估计预测模型训练。