技术特征：
1.一种基于三角卷积的天线阵列波达角估计方法，其特征在于，所述基于三角卷积的天线阵列波达角估计方法包括：波达角估计模型初始化，包括构建tdcd模型、初始化模型的训练样本集、初始化模型可训练参数；根据基于多分区中央差分算法的误差函数，对每一个输入进模型的协方差上三角矩阵样本，计算损失函数值；根据损失函数值使用梯度下降法训练tdcd模型；将待估计信号的协方差上三角矩阵作为输入，通过tdcd模型得到输出模型前向运算输出节点的值；计算得到模型所估计的波达角。2.如权利要求1所述的基于三角卷积的天线阵列波达角估计方法，其特征在于，通过tdcd模型得到输出模型前向运算输出节点的两个向量v
c
和v
r
；根据以及得到模型所估计的波达角。3.如权利要求1所述的基于三角卷积的天线阵列波达角估计方法，其特征在于，所述基于三角卷积的天线阵列波达角估计方法具体包括以下步骤：步骤一，使用多层变形三角卷积层、批归一化层、激活层和全连接层构建tdcd模型，其中包括特征提取器、多分区分类器和角度回归器；步骤二，使用r＝e{xx
h
}计算阵列信号矩阵x的协方差上三角矩阵，用q个信号样本的协方差矩阵组成协方差样本集ω＝{ω1，ω2，...ω
q
}，将协方差样本集和对应的信号角度θ＝{θ1，θ2，...θ
q
}一一配对，组成模型训练集s＝{(ω1，θ1)，(ω2，θ2)，...(ω
q
，θ
q
)}；步骤三，轮流将训练集中的样本(ω
q
，θ
q
)作为tdcd的输入，使用tdcd模型对输入样本进行前向传播运算，并产生多分区分类器的输出向量v
c
以及角度回归器的输出向量v
r
；步骤四，根据v
c
、v
r
和基于多分区中央差分算法的损失函数计算tdcd模型的损失函数值l；步骤五，根据所述损失函数值l进行反向计算得到tdcd模型可训练参数的梯度g；步骤六，根据所述梯度g使用梯度下降法更新tdcd模型的可训练参数；步骤七，重复步骤三至步骤六完成tdcd模型的训练；步骤八，将待估计的阵列信号的协方差上三角矩阵为模型输入，使用训练完的tdcd模型，计算模型前向运算的和步骤九，使用和计算阵列信号的波达角θ。4.如权利要求3所述的基于三角卷积的天线阵列波达角估计方法，其特征在于，所述基于变形三角卷积和多分区中央差分损失函数的天线阵列波达角估计方法的tdcd模型构造方法包括：步骤一，使用特征提取器构造方法和多层变形三角卷积层构造特征提取器，所述特征提取器接收协方差上三角矩阵作为输入值；步骤二，将待估角度范围[θ
s
，θ
e
]平均分为b个分区；
步骤三，使用全连接层构造多分区分类器，所述多分区分类器有一个输出神经元节点，对于每个输入样本，多分区分类器的输出神经元产生一个向量v
c
∈r
b
×1；步骤四，使用全连接层构造角度回归器，所述角度回归器有一个输出神经元节点，对于每个输入样本，角度回归器的输出神经元产生一个向量v
r
∈r
2b
×1；所述基于变形三角卷积和多分区中央差分损失函数的天线阵列波达角估计方法的tdcd模型特征提取器的构造方法包括：步骤一，构造并初始化c个变形三角卷积层t1，t2，...，t
c
，c个批归一化层bn1，bn2，...bn
c
以及c
‑
1个激活层re1，re2，...，re
c
‑1；步骤二，设置变形三角卷积层t1为特征提取器中的第一层网络，t1负责接收协方差上三角矩阵；步骤三，将变形三角卷积层、批归一化层和激活层按照{t1，bn1，re1，t2，bn2，re2，...t
c
，bn
c
}的顺序依次连接，前一层网络的输出作为后一层网络的输入；步骤四，将特征提取器中bn
c
层的输出作为整个特征提取器的输出；所述基于变形三角卷积和多分区中央差分损失函数的天线阵列波达角估计方法的tdcd模型多分区分类器的构造方法包括：步骤一，构造并初始化m个全连接层li1，li2，...li
m
和m
‑
1个激活层re1，re2，...re
m
‑1；步骤二，设置全连接层li1为多分区分类器的第一层网络，li1负责接收特征提取器的输出；步骤三，将全连接层、激活层按照{li1，re1，li2，re2，...li
m
}的顺序依次连接，前一层网络的输出作为后一层网络的输入；步骤四，将多分区分类器中li
m
层的输出v
c
作为整个多分区分类器的输出；所述基于变形三角卷积和多分区中央差分损失函数的天线阵列波达角估计方法的tdcd模型角度估计器的构造方法包括：步骤一，构造并初始化n个全连接层li1，li2，...li
n
和n
‑
1个激活层re1，re2，...re
n
‑1；步骤二，设置全连接层li1为角度估计器的第一层网络，li1负责接收特征提取器的输出；步骤三，将全连接层、激活层按照{li1，re1，li2，re2，...li
n
}的顺序依次连接，前一层网络的输出作为后一层网络的输入；步骤四，将角度估计器中li
n
层的输出v
r
作为整个角度估计器的输出。5.如权利要求3所述的基于三角卷积的天线阵列波达角估计方法，其特征在于，所述基于变形三角卷积和多分区中央差分损失函数的天线阵列波达角估计方法的变形三角卷积层构造和初始化方法包括：步骤一，使用六个控制变量t
i
，t
o
，t
k
，t
s
，t
p
，d
p
控制变形三角卷积层的生成，分别表示输入通道数量、输出通道数量、卷积核长宽量、卷积步长量、卷积填充量和可变形拓展区间集合量；其中d
p
＝{(0，1)，(1，0)，(1，1)}；步骤二，将(t
k
+1)*t
k
/2个神经元按照行列数相等的矩阵的上三角形状进行排布，形成标准三角卷积核；步骤三，从d
p
中选取一对偏置项，对标准三角卷积核每个通道中相同位置的每个神经元进行位置偏置，进而得到偏置后的卷积核通道；
步骤四，堆叠t
i
*t
o
个通道形成一个变形三角卷积层的卷积核；步骤五，使用一维正态分布的随机数初始化卷积核中所有的神经元参数。6.如权利要求3所述的基于三角卷积的天线阵列波达角估计方法，其特征在于，所述基于变形三角卷积和多分区中央差分损失函数的天线阵列波达角估计方法的基于多分区中央差分损失函数的计算方法包括：步骤一，取b个角度分区中各个分区的中心角度θ1，θ2，...θ
b
；步骤二，根据模型输入所对应的角度θ
g
计算该角度所属的分区索引为b；步骤三，根据得到模型预测的分区索引n，使用交叉熵计算分区损失为l
c
；步骤四，使用如权利要求2所述的方法计算tdcd模型所估计的角度θ，并计算θ和θ1，θ2，...θ
b
的差分为θ1′
，θ2′
，...θ
b
′
；步骤五，将v
c
归一化为独热码向量并作为θ1′
，θ2′
，...θ
b
′
的掩码；取没有被掩码覆盖的角度误差θ
′
m1
，θ
′
m2
，...，θ
′
mn
，并使用rmse损失函数计算上述中央差分角度损失为l
r
；步骤六，使用l＝l
c
+αl
r
计算tdcd模型的损失函数值；其中α为一个常量参数。7.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：波达角估计模型初始化，包括构建tdcd模型、初始化模型的训练样本集、初始化模型可训练参数；根据基于多分区中央差分损失函数，对每一个输入进模型的协方差上三角矩阵样本，计算损失函数值；根据损失函数值使用梯度下降法训练tdcd模型；将待估计信号的协方差上三角矩阵作为输入，通过tdcd模型得到输出模型前向运算输出节点的值；计算得到模型所估计的波达角。8.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：波达角估计模型初始化，包括构建tdcd模型、初始化模型的训练样本集、初始化模型可训练参数；根据基于多分区中央差分损失函数，对每一个输入进模型的协方差上三角矩阵样本，计算损失函数值；根据损失函数值使用梯度下降法训练tdcd模型；将待估计信号的协方差上三角矩阵作为输入，通过tdcd模型得到输出模型前向运算输出节点的值；计算得到模型所估计的波达角。9.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现权利要求1～6任意一项所述的基于三角卷积的天线阵列波达角估计方法，所述信息数据处理终端包括：无线通信终端、天文观测终端、声呐终端。10.一种实施权利要求1～6任意一项所述基于三角卷积的天线阵列波达角估计方法的基于三角卷积的天线阵列波达角估计系统，其特征在于，所述基于三角卷积的天线阵列波
达角估计系统包括：初始化模块，用于波达角估计模型初始化，包括构建tdcd模型、初始化模型的训练样本集、初始化模型可训练参数；损失函数值计算模块，用于根据基于多分区中央差分损失函数，对每一个输入进模型的协方差上三角矩阵样本，计算损失函数值；tdcd模型训练模块，用于根据损失函数值使用梯度下降法训练tdcd模型；输出模型前向运算输出节点值计算模块，用于将待估计信号的协方差上三角矩阵作为输入，通过tdcd模型得到输出模型前向运算输出节点的值；波达角计算模块，用于计算得到模型所估计的波达角。