1.一种基于神经网络和模型迁移学习的不相关多源频域载荷识别方法，其特征在于，具体包括：S1：利用频率点的历史数据对不相关多源载荷识别的多输入多输出神经网络模型进行训练；

S2：将S1中的神经网络模型的模型参数迁移到相邻的目标频域的神经网络中作为网络权值的初值；

S3：利用目标频率的历史数据对目标频域的神经网络进行二次训练，从而得到目标频率的不相关多源频域载荷识别模型；

S4：将目标频率下训练好的神经网络的模型参数迁移到下一个相邻频率的模型；

S5：循环该过程直到建立所有频率点的神经网络模型。

2.根据权利要求1所述的一种基于神经网络和模型迁移学习的不相关多源频域载荷识别方法，其特征在于，所述步骤S1包括：对于每个频率点ω，ω＝1,2,…,Ω,Ω为频率点个数，将系统历史的n个振动响应作为输入，历史的m个不相关载荷作为输出，p＝1,2,...,P，P为独立重复实验的次数。

3.根据权利要求1所述的一种基于神经网络和模型迁移学习的不相关多源频域载荷识别方法，其特征在于，所述不相关多源频域载荷识别模型的训练步骤如下：步骤A1：在频率点ω＝1建立一个多输入多输出神经网络模型，利用历史多点振动响应多源载荷数据对该神经网络模型进行训练，建立该频率点下的神经网络多源载荷预测模型；

步骤A2：通过迁移学习迁移步骤A1已经训练好的神经网络多源载荷预测模型的模型参数到相邻ω+1频率的神经网络中；

步骤A3：利用相邻ω+1频率的历史数据对从步骤A2得到的神经网络模型参数进行二次训练，得到相邻频率的神经网络载荷识别模型；

步骤A4：判断ω＜Ω,确定所有频率的神经网络载荷识别模型是否都已经建立完成，建立完成则结束，否则ω＝ω+1转步骤A2。

4.根据权利要求1所述的一种基于神经网络和模型迁移学习的不相关多源频域载荷识别方法，其特征在于，所述模型迁移学习的数据处理方法，具体包括：将载荷数据通过快速傅里叶变换转换到频域，并通过对数变换公式fnew(w)＝log10 f(w)进行数量级变换。

5.根据权利要求1所述的一种基于神经网络和模型迁移学习的不相关多源频域载荷识别方法，其特征在于，模型的迁移学习采用的神经网络模型具体为：神经网络模型包含有1个输入层，1个输出层，3个隐藏层，选用Relu函数作为激活函数，误差函数为平均绝对误差函数，梯度更新优化算法为自适应学习率算法RMSprop，并采用早停技术进行训练。