1.一种基于深度学习的水声阵列信号二维波达方向估计方法，其特征在于，该方法包括以下步骤：

S1：建立水声L型均匀线阵接收模型并接收水声信号；

S2：基于改进的小波变换，提取水声信号时频特征；

S3：基于奇异值分解对所述S2提取的时频特征进行压缩降维；

S4：根据压缩降维后的时频特征，搭建卷积神经网络；

S5：利用所述S1、S2和S3构建的数据集，训练所述S4搭建的卷积神经网络，得到二维波达方向估计模型；

S6：实际接收的待测水声信号进行所述S2和S3处理，处理后的待测数据时频特征导入所述S5得到的二维波达方向估计模型，最终输出预测结果；

所述S2具体包括：

S2‑1：采用复Morlet小波作为小波变换的基函数提取水声信号的时频特征，其数学表达式如下：

其中，Ω为复Morlet小波的中心角频率；

S2‑2：对于任意函数f(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：提取的水声阵列信号的时频特征表示为T

其中，Ya(b)＝[ya，1(b)，ya，2(b)，...，ya，M(b)，ya，M+1(b)…，ya，2M(b)] 是阵列接收信号的T

小波系数向量，由信号s(t)经过小波变换之后得到；Na(b)＝[na，1(t)，na，2(t)，...，na，2M(t)]是噪声的小波系数； 是2M×1的时频导向矢量矩阵 ，是2M×1的阵列模型数据时频导向矢量，τi为第i个阵元的接收时延，其表达式为：S2‑4：已知水声信号的频率为f0，利用线性因子ε对小波系数进行过滤，线性因子ε的数学表达式为：

其中，f为小波系数频率，[fl，fh]为水声信号的有效频带；

则改进后水声信号时频特征表示为：所述S4中的卷积神经网络设计为：S4‑1：由于S3中降维后的时频特征的维度为2M×2N，因此设计输入层的结构为2M×2N×1；

S4‑2：第一层卷积层采用J1个卷积核，卷积核大小为1×2N，步长为p1，增强时频特征实虚部间的特征关系；

S4‑3：第二层卷积层采用J2个卷积核，卷积核大小为M×1，步长为p2，增强各个子阵列内部时频特征的联系；

S4‑4：第三层为全连接层，采用R个神经元，增强特征间的联系；

S4‑5：第四层为全连接层，将S4‑4得到的结果2N次送入第四层全连接层，实现特征和样本标签的映射；采用Softmax激活函数输出分类结果，并将输出结果拼接得到最终输出结果；

S4‑6：卷积层的激活函数均采用Rule，其数学表达式为：

2.如权利要求1所述的水声阵列信号二维波达方向估计方法，其特征在于，所述S1具体包括：

S1‑1：L型均匀线阵由平面上的两个分别沿x轴和y轴的M元均匀线阵组成，相邻阵元间隔为d，等于信号半波长，坐标原点处的阵元看作参考阵元，各阵元各向同性；假设有频率为f、声速为v的远场窄带水声信号以波长λ入射到2M‑1个阵元组成的L型阵列上，其中入射信号与x轴、y轴的夹角分别用α和β表示，设信号的方位角与俯仰角分别为θ和 则t时刻L型阵列接收到的沿x轴和y轴方向的数据模型表示为：式中，t＝1，2，...，K，K表示快拍数；s(t)表示信源在t时刻的信号矢量；阵列流型矩阵分别为

其中，

分别表示子阵X和子阵Y的导向矢量；

S1‑2：分别将子阵X和子阵Y各阵元的接收信号顺序排列，排列后的信号矢量表示为：x T y T T

X(t)＝[x(t) x(t) ]其中，

3.如权利要求1所述的水声阵列信号二维波达方向估计方法，其特征在于，所述S3具体为：

S3‑1：对水声信号的时频特征进行奇异值分解：H

W＝U∑V

2M×K

其中，W∈C ；

2M×N

S3‑2：构造降维时频特征WSV∈CWSV＝U∑DN＝WVDN其中，N为信源个数，DN＝[IN0]，IN表示N×N维单位矩阵；

S3‑3：对降维后的时频特征进行实虚部分离并拼成两列，表示为：W′SV＝[real(WSV) imag(WSV)]。

4.如权利要求1所述的水声阵列信号二维波达方向估计方法，其特征在于，所述S5包括：

S5‑1：根据S1‑S3构造水声信号时频特征数据集，数据集可以表示为其中，l为样本容量， 为网络输入，(1) (2) (l) (i) δ×2N{P ，P ，...，P }为深度学习分类标签，P ∈C ，i＝1，2，...，l，δ表示角度最大类别数，即将方位角与仰角以1°为间隔划分为离散的角度，方位角范围从‑60°到60°，仰角范围从0°到90°，并将其转化为one‑hot标签的形式，仰角标签90°之后的类别使用0来填充；

S5‑2：将数据集以8：2的比例划分为训练集、测试集；

S5‑3：使用训练集训练网络模型，利用测试集验证模型准确性，完成水声阵列信号二维DOA估计模型的训练。