1.一种随机姿态误差条件下基于神经网络的无人机直接定位校正方法，其特征在于，包括：
步骤1：令无人机按照预先设定轨迹飞行，根据Nyquist采样定理，利用安装在运动无人机上的M通道阵列天线在K个预定观测位置上以Ts为采样周期依次采集第d个校正源的无线电信号数据，每个观测位置上采集得到关于第d个校正源的N个阵列信号数据，并记录每个观测位置上的姿态角测量值，其中1≤d≤D；
所述步骤1中，运动无人机在第k个预定观测位置上以采样周期Ts采集关于第d个校正源的阵列信号模型为
式中 表示第d个校正源的地心地固坐标矢量； 表示第d个校正源信号相对于无人机天线阵列在第k个预定观测位置上的流形矢量； 表示无人机天线阵列在第k个预定观测位置上接收第d个校正源信号的复包络； 表示无人机在第k个预定观测位置上接收到第d个校正源信号的多普勒频偏； 表示无人机在第k个预定观测位置上接收第d个校正源信号时的天线阵列噪声矢量；
表示无人机在第k个预定位置上观测第d个校正源信号时的姿态角测
量矢量，其中 分别表示无人机在第k个预定位置上观测第d个校正源信号时的航向角、滚转角、俯仰角；
步骤2：无人机依次将第k个预定观测位置上采集得到关于第d个校正源的N个阵列信号数据按时间顺序排列，1≤k≤K，每连续L个采样点的阵列信号数据组成一个扩展的阵列信号观测矢量，从而获得每个预定观测位置上关于第d个校正源的N/L个扩展阵列信号观测矢量；
所述步骤2中，扩展的阵列信号观测矢量为
式中 为扩展的阵列噪声矢量，
为扩展的空时流形矢量，其表达式为
其中， 表示矩阵的Kronecker乘积；
步骤3：无人机基于K个预定观测位置上关于第d个校正源的N/L个扩展阵列信号观测矢量，分别计算关于第d个校正源的K个扩展阵列协方差矩阵的最大似然估计值，并将扩展协方差矩阵估计数据传至地面中心站；
步骤4：地面中心站依次利用关于第d个校正源的K个扩展阵列协方差矩阵，通过坐标转换数学推演得到阵列流形矢量、多普勒频率关于第d个校正源地心地固坐标参数的代数关系，从而建立关于第d个校正源的地心地固坐标参数的最大似然优化模型；
所述步骤4包括：
首先将无人机在第k个预定观测位置上接收到第d个校正源信号的多普勒频偏 表示为与该校正源的地心地固坐标参数有关的代数表达式：
式中fc为信号载频；c为电波传播速度；uk与vk分别表示无人机的第k个预定观测位置在地心地固坐标系下的位置矢量和速度矢量；
然后将第d个校正源信号相对于无人机天线阵列在第k个预定观测位置上的阵列流形矢量 表示为与该校正源的地心地固坐标参数有关的代数表达式：
式中， 为第d个校正源在无人机第k个预定观测位置上的导航坐标矢量，导航坐标矢量 与其地心地固坐标矢量 之间的代数关系式为
其中ωk与ρk分别表示无人机第k个预定观测位置的经度与纬度；
为无人机第m个阵元在第k个预定位置上观测第d个校正源信号时的导航坐标矢量，第m个阵元的导航坐标矢量 与其载体坐标矢量 姿态角测量参数
之间的代数关系式为
利用上述多普勒频偏 与校正源地心地固坐标参数 的代数关系、阵列流形矢量与校正源地心地固坐标参数 姿态角测量参数 的代数关系，代入
中，建立得到关于第d个校正源的地心地固坐标参数的最大
似然优化模型：
式中 表示扩展空时流形矢量 的正交投影矩阵，tr{·}表示矩
阵的迹， 表示关于第d个校正源的K个扩展阵列协方差矩阵的最大似然估计值，步骤5：地面中心站基于步骤4中建立的最大似然优化模型，利用运动无人机的预定轨迹信息以及各观测位置上的姿态角测量值，借助Newton型迭代算法依次对D个校正源进行定位；
所述步骤5包括：
利用两步交汇定位方法获得第d个校正源的地心地固坐标矢量的初始估计值利用Newton型迭代法对步骤4中关于第d个校正源的地心地固坐标参数最大似然优化模型进行迭代求解，迭代公式为
其中，i表示迭代次数，0＜μ＜1表示迭代步长因子， 和 分别表示目标函数的梯度矢量和Hessian矩阵，相应的计算公式分别为
式中 Re{·}表示取实部， 为矩阵的
Kronecker乘积；
步骤6：按照步骤1至步骤5的顺序，重复Q次，得到对每个校正源的Q次定位结果；
步骤7：地面中心站依次将第d个校正源的第q次定位结果与记录的姿态角测量值组成一个输入矢量，1≤q≤Q，将第d个校正源的真实位置作为一个输出矢量，再对输入矢量、输出矢量分别进行最大最小归一化处理，得到D个校正源的归一化输入输出矢量；
所述步骤7中，地面中心站依次将第d个校正源的第q次定位结果 与记录的姿态角测量值 组成一个输入矢量：
将第d个校正源的真实位置 作为输出矢量，对输入矢量 输出矢量 分别进行最大最小归一化处理的具体公式为
式中[·]i、[·]i分别表示矢量的第i个与第j个元素；
步骤8：地面中心站利用对D个校正源的归一化输入输出矢量来训练多层前馈神经网络；
步骤9：令无人机按照预先设定的轨迹飞行，根据Nyquist采样定理，利用安装在运动无人机上的M通道阵列天线在K个预定观测位置上以Ts为采样周期采集目标辐射源的无线电信号数据，每个观测位置上采集得到N个阵列信号数据，并记录每个观测位置上的姿态角测量值；
步骤10：无人机依次将第k个预定观测位置上采集得到的N个阵列信号数据按时间顺序排列，每连续L个采样点的阵列信号数据组成一个扩展的阵列信号观测矢量，从而获得每个预定观测位置上关于目标辐射源的N/L个扩展阵列信号观测矢量；
步骤11：无人机基于K个预定观测位置上关于目标辐射源的N/L个扩展阵列信号观测矢量，计算K个扩展阵列协方差矩阵的最大似然估计值，并将扩展协方差矩阵估计数据传至地面中心站；
步骤12：地面中心站基于最大似然估计准则，利用目标辐射源的K个扩展阵列协方差矩阵，结合步骤4中数学推演得到的代数关系表达式，建立关于目标辐射源地心地固坐标参数的最大似然优化模型；
步骤13：地面中心站基于步骤12中建立的最大似然优化模型，利用运动无人机的预定轨迹信息以及各观测位置上的姿态角测量值，借助Newton型迭代算法对目标辐射源进行定位；
步骤14：将目标辐射源的定位结果与记录的姿态角测量值组成输入矢量，按照步骤7中输入矢量的归一化方法进行归一化处理，并输入到步骤8所训练的多层前馈神经网络中，再对该网络的输出值按照步骤7中输出矢量的归一化方法进行反归一化处理，即得到对目标辐射源的最终定位结果。
2.根据权利要求1所述的随机姿态误差条件下基于神经网络的无人机直接定位校正方法，其特征在于，所述步骤9中，运动无人机在第k个预定观测位置上以采样周期Ts采集关于目标辐射源的阵列信号模型为
式中p表示目标辐射源的地心地固坐标矢量； 表示目标辐射源信号相对于无人机天线阵列在第k个预定观测位置上的流形矢量；sk(nTs)表示无人机天线阵列在第k个预定观测位置上接收目标辐射源信号的复包络；fk(p)表示无人机在第k个预定观测位置上接收到目标辐射源信号的多普勒频偏；εk(n)表示无人机在第k个预定观测位置上接收目标辐射源信号时的天线阵列噪声矢量； 表示在第k个预定位置上观测目标辐射源信号时的姿态角测量矢量，其中 分别表示在第k个预定位置上观测目标辐射源信号时的航向角、滚转角、俯仰角。
3.根据权利要求2所述的随机姿态误差条件下基于神经网络的无人机直接定位校正方法，其特征在于，所述步骤10中，扩展的阵列信号观测矢量为
式中 为扩展的阵列噪声矢量， 为
扩展的空时流形矢量，其表达式为
其中， 表示矩阵的Kronecker乘积；gk(p)＝[1,exp{j2πfk(p)Ts},...,exp{j2πfk(p)T
(L‑1)Ts}]。
4.根据权利要求3所述的随机姿态误差条件下基于神经网络的无人机直接定位校正方法，其特征在于，所述步骤12包括：
首先将无人机在第k个预定观测位置上接收到目标辐射源信号的多普勒频偏fk(p)表示为与目标辐射源地心地固坐标参数有关的代数表达式：
式中fc为信号载频；c为电波传播速度；uk与vk分别表示无人机的第k个预定观测位置在地心地固坐标系下的位置矢量和速度矢量；
然后将目标辐射源信号相对于无人机天线阵列在第k个预定观测位置上的阵列流形矢量 表示为与目标辐射源地心地固坐标参数有关的代数表达式：
式中， 为目标辐射源在无人机第k个预定观测位置上的导航坐标矢量，导航坐标矢量 与其地心地固坐标矢量p之间的代数关系式为
其中ωk与ρk分别表示无人机位于第k个预定观测位置的经度与纬度；
为无人机第m个阵元在第k个预定位置上观测目标辐射源信号时的导航坐标矢量，第m个阵元的导航坐标矢量 与其载体坐标矢量 姿态角测量参数 之间
的代数关系式为
利用上述多普勒频偏fk(p)与校正源地心地固坐标参数p的代数关系、阵列流形矢量与目标辐射源地心地固坐标参数p、姿态角测量参数 的代数关系，代入
中，建立得到关于目标辐射源的地心地固坐标参数的最大似然
优化模型：
式中 表示扩展空时流形矢量 的正交投影矩阵，tr{·}表示矩阵
的迹， 表示第k个扩展阵列协方差矩阵的最大似然估计值，
5.根据权利要求4所述的随机姿态误差条件下基于神经网络的无人机直接定位校正方法，其特征在于，所述步骤13包括：
利用两步交汇定位方法获得目标辐射源的地心地固坐标矢量的初始估计值利用Newton型迭代法对步骤12中关于目标辐射源的地心地固坐标参数最大似然优化模型进行迭代求解，迭代公式为
其中，i表示迭代次数，0＜μ＜1表示迭代步长因子，g(p)和H(p)分别表示目标函数V(p)的梯度矢量和Hessian矩阵，相应的计算公式分别为
式中 Re{·}表示取实部， 为矩阵的
Kronecker乘积。
6.根据权利要求5所述的随机姿态误差条件下基于神经网络的无人机直接定位校正方法，其特征在于，所述步骤14中，地面中心站将目标辐射源的定位结果 与记录的姿态角测量值 组成一个输入矢量，可以表示为
按照步骤7中输入矢量的归一化方法对η进行归一化处理，具体公式为
式中[·]i表示矢量的第i个元素；
将η′输入到步骤8所训练的多层前馈神经网络中，再对该网络的输出值 按照步骤7中输出矢量的归一化方法进行反归一化处理，具体公式为
式中[·]i表示矢量的第j个元素， 即为对目标辐射源的最终定位结果。