1.一种基于短时傅里叶变换和BP神经网络的频域盲源分离方法，其特征在于，包括以下步骤：

S1：利用不同调制方式的信号来训练BP神经网络；所述S1具体如下：S1‑1：将不同调制方式的时域信号作为发送端的时域源信号，将时域源信号变换到频域得到信号频谱；

S1‑2：提取频谱的多种特征：二阶矩、四阶矩、六阶矩、波动系数、方差、幅度熵、均差熵、能量熵、零中心归一化瞬时谱密度的最大值、零中心归一化瞬时幅度绝对值的标准偏差、谱的绝对值的方差；

S1‑3：将每种频谱特征按照70%和30%分为训练集和测试集来训练并测试BP神经网络分类性能，选取分类性能好的特征用来生成特征矩阵；

S1‑4：利用特征矩阵训练和测试BP神经网络；

S2：接收混合信号，对混合信号进行短时傅里叶变换，得到信号的时频信息；

S3：利用基于峰度最大化的ICA算法在频域对S2所述的时频信息进行分离，得到分离后的频域信号；

S4：提取S3中频域信号频谱的多个特征，基于S1训练的BP神经网络利用频谱特征对该信号进行频谱分类；

S5：对S4中频谱分类后的信号按照类别分别进行傅里叶反变换得到分离后的各个时域信号。

2.如权利要求1所述的基于短时傅里叶变换和BP神经网络的频域盲源分离方法，其特征在于，所述S2中，对接收的混合信号进行离散短时傅里叶变换得到信号的时频信息。

3.如权利要求1所述的基于短时傅里叶变换和BP神经网络的频域盲源分离方法，其特征在于，所述S3中，利用峰度最大化ICA算法在频域进行信号分离，具体步骤为：（1）随机生成分离矩阵W，W是n×m维的矩阵，m为信号接收端接收器的数目，n为分离信号的数目，每个接收器看作一路接收信号；

（2）利用W对信号进行分离，得到频域分离信号 ；

（3）求分离信号的峰度；

（4）利用梯度下降法求解最佳分离矩阵W；

（5）利用最佳分离矩阵W分离信号。

4.如权利要求1所述的基于短时傅里叶变换和BP神经网络的频域盲源分离方法，其特征在于，所述S4具体如下：

S4‑1：提取信号的多个特征：提取信号的多个特征数据，对特征数据进行归一化，将归一化的数据输入到S1中BP神经网络的分类器；

S4‑2：利用BP神经网络对信号频谱分类：最后得到的相同类别的频谱来自于同一个时域信号，类别的数目为分离后信号的数目。