1.一种基于改进的CNN网络空中手写动作识别方法，其特征在于，利用智能穿戴设备内置的加速度传感器和陀螺仪采集人空中手写动作传感器数据，对数据进行预处理，利用动作片段提取算法对动作片段进行提取，对动作片段的数据格式化，对用于分类的CNN网络进行改进，引入多时间序列和部分权重共享技术，实现对空中手写动作的分类识别；

所述传感器数据采集和数据预处理，利用智能手表、腕带等可穿戴设备中内置加速度传感器和陀螺仪采集人手部在空中手写动作的传感器数据，利用归一化、滑动均值滤波、低通滤波等算法对数据进行预处理，去除噪声对识别精度的影响；

所述动作片段提取，包括对空中手写动作的陀螺仪数据的动作片段提取和加速度传感器的动作片段提取；

所述陀螺仪动作片段提取，利用滑动窗口计算窗口内数据均值，利用经验阈值与均值进行比较，舍弃不满足条件数据，得到动作片段1，再对动作片段1利用两个滑动窗口计算曲线平滑程度以及曲线的运动趋势，与经验阈值相比较，得到最终的动作片段陀螺仪传感器数据S1；

所述加速度动作片段提取，利用滑动窗口计算窗口内曲线平滑程度以及曲线运动，与经验阈值相比较，得到动作片段1，再计算动作片段1长度，与预设动作长度阈值相比较，判断是否为有效数据，得到最终的动作片段加速度传感器数据S2；

所述动作片段的格式化，分别对S1和S2的X、Y、Z轴数据进行拼接，得到数组S1_1和S2_

1，再利用固定尺寸的滑动窗口分别对S1_1和S2_1进行切割，分别将其填充到初始化为0的N*N的矩阵A、B中，最后填充后的矩阵A、B即为格式化后的传感器数据；N表示滑动窗口的长度，即切割后数据的宽度；

所述CNN网络的改进主要利用多时间序列和部分权重共享技术，提高对空中手写动作传感器数据的特征提取精度，提高分类模型的总体识别率。

2.如权利要求1所述的基于改进的CNN网络空中手写动作识别方法，其特征在于，所述CNN网络的改进算法，主要包括多时间序列的利用、卷积层部分权重共享技术的利用、池化层的改进和反向传播的改进；

所述多时间序列的利用，利用空中手写动作的三轴陀螺仪传感器数据和三轴加速度传感器数据两种不同三轴传感器的时间序列作为多通道网络的输入，在数据上做支撑以提高识别精度；

所述部分权重共享技术的利用，即在卷积层中，引入部分权重共享，将输入数据切割成X块，不同块用不同filter进行卷积，再将各个块的卷积结果按序拼接，以得到卷积层输出，通过relu激活函数得到池化层的输入。

3.如权利要求2所述的基于改进的CNN网络空中手写动作识别方法，其特征在于，所述池化层的改进和反向传播的改进，即为了保证X个数据块的有效特征提取，和相应权重矩阵的有效训练，在max‑pooling层仍按照卷积层得到的X块，分别对它们进行池化操作，使得不同块之间相互隔离；

所述的反向传播算法改进，主要作用于卷积层；在卷积层时，用划分的X块数据来训练其对应的权重矩阵，不同于传统的反向传播，使用整个输入数据去训练权重矩阵。