1.一种基于机器学习和FFT的盲源分离信源数目并行估计方法，其特征在于，该方法包括以下步骤：

S1：接收待估计的信号数据，同时提取m个信号相关特征和对信号进行去噪；

S2：在S1提取的m个信号特征中随机选取t个特征，其中1≤t≤m；对该t个信号特征进行降维；

S3：提取已有环境数据、仿真数据和实际环境数据的特征来训练BP神经网络和判断阈值；

S4：对S2降维后的信号特征进行归一化和变维后输入BP神经网络，训练后的神经网络根据特征进行分类，最后输出类别为估计的信源数目c1；

S5：对S1去噪后的信号进行FFT变换，利用判断阈值来估计信源得到信源数目c2；

S6：通过判断c1和c2值，若c1和c2相等时，即输出该信源数目；若两者不相等，重新估计c1和c2值，直至两者相等，输出。

2.如权利要求1所述的盲源分离信源数目并行估计方法，其特征在于，所述S1具体如下：

S1‑1：提取所述相关信号特征：信号香农熵和指数熵、相位谱香农熵和指数熵、频谱香农熵和指数熵、信号均差香农熵和指数熵、小波能量香农熵和指数熵、功率谱香农熵和指数熵、奇异谱香农熵和指数熵、信号绝对值的方差与均值之比、零中心归一化瞬时幅度的谱密度的最大值、零中心归一化瞬时幅度绝对值的标准偏差、信号绝对值的方差；

S1‑2：利用soft SURE阈值规则对接收信号进行去噪。

3.如权利要求1所述的盲源分离信源数目并行估计方法，其特征在于，所述S2具体如下：

S2‑1：选取信号特征：

在m个信号相关特征中随机选取t个特征作为输入BP神经网络的特征分量；

S2‑2：利用线性判别分析法对上述信号特征进行降维，降维后的样本有更好的分类性能。

4.如权利要求3所述的盲源分离信源数目并行估计方法，其特征在于，线性判别分析法对上述信号特征进行降维的具体步骤为：输入：数据集D＝{(x1,y1),(x2,y2),...,(xm,ym)},其中任意样本xi为n维向量，yI＝{C1,C2,...,Ck}，k表示共有k类样本；降维到的维度d。

输出：降维后的样本集D'

1)计算类内散度矩阵Sω；

2)计算类间散度矩阵Sb；

‑1

3)计算矩阵Sω Sb；

‑1

4)计算Sω Sb的最大的d个特征值和对应的d个特征向量(ω1,ω2,...,ωd),得到投影矩阵W；

T

5)对样本集中的每一个样本特征xi,转化为新的样本zi＝Wxi；

6)得到输出样本集D'＝{(z1,y1),(z2,y2),...,(zm,ym)}。

5.如权利要求1所述的盲源分离信源数目并行估计方法，其特征在于，所述S3具体如下：

S3‑1：提取已有环境数据、仿真数据和实际环境数据的特征来训练BP神经网络；

S3‑2：提取已有环境数据、仿真数据和实际环境数据的特征来确定判断阈值。

6.如权利要求1所述的盲源分离信源数目并行估计方法，其特征在于，所述S6具体如下：比较比较和c2大小，如果c1＝c2，输出信源数目c＝c1(或c＝c2)；如果c1≠c2，则返回S2‑1重新选取信号特征，再利用S4估计信源数目c1，及返回S1‑2对信号再进行去噪，再通过S5得到信源数目c2，重复操作直至c1＝c2，输出信源数目。

7.权利要求1所述的方法能够应用于盲源分离中的声信号信源估计。