1.一种基于卷积神经网络粒子滤波算法的单UUV目标状态估计方法，其特征在于，包括如下步骤：步骤1，建立单UUV目标状态估计坐标系统，包括：固定坐标系、UUV局部坐标系、前视声呐坐标系以及目标局部坐标系；

1)建立固定坐标系如下：

在任务空间中任取一位置点为原点，建立北东坐标系NOE作为固定坐标系，ON轴指向地球北，OE轴指向地球东，x表示北向位移，y表示东向位移，ψ表示艏向角；

2)建立UUV局部坐标系如下：

建立xBoByB所示UUV局部坐标系来描述UUV的速度和角速度，以UUV重心为原点，oBxB轴取在UUV纵向剖面内，指向UUV艏端，oByB轴与纵剖面垂直，指向UUV右舷，u、v、r分别表示UUV纵荡速度、横荡速度和转艏角速度；

3)建立前视声呐坐标系如下：

以声呐测量中心为原点，建立前视声呐坐标系描述声呐对目标的观测，坐标轴osxs、osys分别与UUV载体坐标系坐标轴oBxB、oByB同向；

4)建立目标局部坐标系如下：

建立xToTyT目标局部坐标系来描述目标的速度和角速度，以目标重心为原点，oTxT轴指向目标艏端，oTyT轴指向目标右舷，uo、vo、ro分别表示目标纵荡速度、横荡速度和转艏角速度；

5)固定坐标系、UUV局部坐标系、前视声呐坐标系之间的转换关系表述为：当前视声呐检测到水下运动目标，便将其在前视声呐坐标系xSoSyS下的位置(xs,ys)转化为UUV局部坐标系xBoByB下位置(xb,yb)，再转化为固定坐标系下位置(x,y)，具体为：其中， 为传感器坐标系原点oS在载体坐标系下的位置， 为载体坐标系原点oB在北东坐标系下的位置，ψ为观测UUV的艏向角，R(ψ)为坐标转换矩阵；步骤2，建立UUV运动学模型、目标运动学模型以及前视声呐观测模型；

步骤3，建立单UUV目标状态估计问题状态方程，所述单UUV目标状态估计问题状态方程包括非Markov的目标运动方程以及前视声呐非线性的观测方程；

其中，建立前视声呐非线性的观测方程，是将k时刻观测UUV的状态表示为则前视声呐非线性的观测方程表述为：

其中，fmea为前视声呐非线性观测函数，h为非线性观测变换，R(ψ)为坐标转换矩阵，为oS在xBoByB坐标系下的位置，νk为观测噪声；步骤4，设计用于描述单UUV目标状态估计问题状态方程的预测网络；

步骤5，构建目标状态预测数据集；

步骤6，基于目标状态预测数据集对预测网络进行训练，建立单UUV目标状态估计问题状态空间；

步骤7，利用卷积神经网络粒子滤波算法进行单UUV目标状态估计。

2.根据权利要求1所述一种基于卷积神经网络粒子滤波算法的单UUV目标状态估计方法，其特征在于，步骤1中的固定坐标系是指北东坐标系NOE，原点为任务空间中的一位置点，ON轴指向地球北，OE轴指向地球东，x表示北向位移，y表示东向位移，ψ表示艏向角；UUV局部坐标系xBoByB是以UUV重心为原点，oBxB轴取在UUV纵向剖面内，指向UUV艏端，oByB轴与纵剖面垂直，指向UUV右舷，采用u、v、r分别表示UUV纵荡速度、横荡速度和转艏角速度；

前视声呐坐标系xSoSyS以声呐测量中心为原点，坐标轴osxs、osys分别与UUV载体坐标系坐标轴oBxB、oByB同向；

目标局部坐标系xToTyT以目标重心为原点，oTxT轴指向目标艏端，oTyT轴指向目标右舷，采用uo、vo、ro分别表示目标纵荡速度、横荡速度和转艏角速度；

被估计目标的位置和运动状态由前视声呐测得，首先由前视声呐坐标系描述，再转换为UUV局部坐标系，最后由固定坐标系描述。

3.根据权利要求1所述一种基于卷积神经网络粒子滤波算法的单UUV目标状态估计方法，其特征在于，步骤2中的UUV运动学模型为二自由度模型，UUV执行机构只提供纵向推力和转艏力矩，且其纵向速度、转艏角速度和纵向加速度均受限；

目标运动学模型为三自由度模型，执行机构提供纵向推力、横向推力和转艏力矩，目标的速度、加速度和转艏角速度均受限；

前视声呐观测量包括目标位置距oS的欧式距离、目标在xSoSyS坐标系下的方位角、航速以及航向角。

4.根据权利要求1所述一种基于卷积神经网络粒子滤波算法的单UUV目标状态估计方法，其特征在于，建立非Markov的目标运动方程，假设目标的运动状态与其前n时刻的状态相关，设k时刻目标的状态向量为 则非Markov的目标运动方程为：其中， 为目标前n时刻的状态， 为对应状态过程噪

声，fpred为非Markov目标运动状态转移函数。

5.根据权利要求1所述一种基于卷积神经网络粒子滤波算法的单UUV目标状态估计方法，其特征在于，步骤4中的预测网络包括输入层、第一隐藏层、第二隐藏层和输出层；

输入层对应时域[k‑n+1,k]内第i组采样粒子的测量状态矩阵第一隐藏层包括3个卷积层和2个平均池化层；

第二隐藏层包括一个展开层以及两个全连接层；

输出层与第二隐藏层完全连接，输出层对应预测的第i组采样粒子状态 包括北向位置、东向位置、北向速度以及东向速度。

6.根据权利要求1所述一种基于卷积神经网络粒子滤波算法的单UUV目标状态估计方法，其特征在于，步骤5中构建目标状态预测数据集，具体过程为：观测UUV的位置由固定坐标系描述，其速度和角速度由UUV局部坐标系描述；目标的位置和运动状态由前视声呐观测得到，再由前视声呐坐标系下观测状态转换为固定坐标系下测量状态；数据集的特征数据为一段时域内目标在固定坐标系下的测量状态；数据集的标签为目标在固定坐标系下的真实状态。

7.根据权利要求1所述一种基于卷积神经网络粒子滤波算法的单UUV目标状态估计方法，其特征在于，步骤6中基于目标状态预测数据集对预测网络进行训练，具体是采用小批量梯度下降法和Adam优化器最小化均方误差损失函数对预测网络进行训练。

8.根据权利要求1所述一种基于卷积神经网络粒子滤波算法的单UUV目标状态估计方法，其特征在于，步骤7中利用卷积神经网络粒子滤波算法进行单UUV目标状态估计，具体包括如下步骤：步骤7.1，观测UUV在任务空间中航行，其自身携带的前视声呐不断探测周围环境，并记录对目标的观测值；

步骤7.2，将步骤7.1获得的目标在一段时域内的观测值转换成固定坐标系下目标的测量状态值，生成目标测量状态集；

步骤7.3，在步骤7.2生成的目标测量状态集中进行随机采样，得到M组采样粒子集；

步骤7.4，分别将M组采样粒子集输入到基于卷积神经网络的预测网络，转换成M组采样粒子预测状态；

步骤7.5，利用蒙特卡洛算法计算目标的估计状态。