1.一种基于改进LSTM-CNN的多尺寸输入HAR识别算法，其特征在于，包括多尺寸输入、模型分类识别；

所述多尺寸输入，用于将样本数据集中的数据通过降噪、归一化、零填充等数据预处理操作分割成多维度的数据同时送入模型；

所述模型分类识别，将多层双向动态长短时记忆网络与优化的卷积神经网络融合模型，多层双向动态长短时记忆网络用于提取时间序列特征，优化卷积神经网络用于提取空间特征，将时间和空间特征进行糅合使得活动特征丰富多样。

2.如权利要求1所述算法，其特征在于，所述的的多尺寸输入为数据集每个动作包含3N个数据，每N个数据为一个加速度轴数据，将数据放入低通滤波器和移动均值滤波器进行数据降噪并通过mean-var方法进行数据归一化处理，为避免3轴数据的混淆，以及数据裁剪造成的信息丢失，最后采用零填充方法在每个轴的数据后填充若干个0，通过尺寸转换形成M*M*1的数据维度，将该数据作为CNN单通道输入数据送入模型训练，同时将数据集三轴分离，作为3层双向动态LSTM的输入送入模型训练。

3.如权利要求1所述算法，其特征在于，所述的多层双向动态长短时记忆网络和优化的卷积神经网络融合模型，多层双向动态长短时记忆网络用于捕捉动作中的时间序列特征，可以学习长期依赖信息，构建三层的基本LSTMCell层，并将cell一个个堆叠起来，由此生成两个cell分别用于正向特征提取和反向特征提取，正向的LSTMCell层用于学习人体行为动作特征的正向规律，反向的LSTM层用于反向特征的学习，由此构建的多层双向LSTM网络具有更高的拟合度；

所述优化的卷积神经网络融合模型，在传统的CNN模型中加入标准归一化层和dropout层进行特征提取，对最后一层卷积层中的数据进行多尺寸卷积以提取更抽象的特征，并将特征进行拼接送入下一层与多层双向动态LSTM提取的时间序列特征进行融合，由此提取的特征将更有效的拟合动作，送入全连接层进行分类达到很高的精确度。