1.一种基于深度学习的非视距身份识别方法，其特征在于，包括以下步骤：(1)通过接收端天线m接收来自于发射端天线n的无线信号，从接收端天线收到的数据包中获取CSI数据，每个CSI数据为一个包含幅值信息和相位信息的复数值；1≤m≤M，1≤n≤N，M为接收端的天线总数，N为发射端的天线总数；

(2)从CSI数据中提取幅值信息，将幅值信息组成M×N个幅值矩阵，每个幅值矩阵对应于一个天线对，幅值矩阵中的一列对应于一个子载波，一行对应于一个数据包；将这M×N个幅值矩阵的各列组合成一行，构成一个整体幅值矩阵；

(3)通过基于增广拉格朗日乘子法的鲁棒主成分分析，对整体幅值矩阵进行分解和降维，得到稀疏矩阵，选取稀疏矩阵的前六列作为有效矩阵，通过小波变换对有效矩阵进行去噪处理；

(4)对去噪处理后有效矩阵的每一列做滑窗处理，计算每个滑窗的短时能量值，得到短时能量值矩阵；对短时能量值矩阵的每一行求均值，各行均值组成短时能量值序列，然后对短时能量值序列进行平滑处理；

(5)计算平滑处理后短时能量值序列的均值，并取该均值的8倍作为阈值；取短时能量值序列中的最大值，判断该最大值是否大于所述阈值，若是，则记录该最大值在短时能量值序列中的位置；

(6)根据步骤(5)所记录的位置选取有效矩阵中各列相应位置的滑窗，这些滑窗的短时能量值的均值即为步骤(5)中所获得的最大值；然后，在有效矩阵中，以该位置滑窗的中点为中心截取前后一段时间内的行数据作为活动片段；

(7)将活动片段输入经过训练的多尺度卷积神经网络，通过神经网络得到非视距身份识别结果。

2.根据权利要求1所述的一种基于深度学习的非视距身份识别方法，其特征在于，所述步骤(2)中，将这M×N个幅值矩阵的各列组合成一行，构成一个整体幅值矩阵的具体方式为：将M×N个幅值矩阵相同位置的列取出，按第一顺序从左到右排列，得到对应于该位置列的子矩阵，然后将所有子矩阵按第二顺序从左到右排列，组成整体幅值矩阵；所述第一顺序为M×N个幅值矩阵的排序，所述第二顺序为幅值矩阵中各位置列的排序。

3.根据权利要求1所述的一种基于深度学习的非视距身份识别方法，其特征在于，所述步骤(3)中，通过基于增广拉格朗日乘子法的鲁棒主成分分析，对整体幅值矩阵进行分解和降维，得到稀疏矩阵的具体方式为，通过基于增广拉格朗日乘子法的鲁棒主成分分析法直接对整体幅值矩阵进行分解和降维处理，公式为：min ||A||*+γ||E||1约束条件：A+E＝D

其中，A为低秩矩阵，E为稀疏矩阵，||A||*表示矩阵A的秩，||E||1表示矩阵E的1范数，γ为一个变量，D为整体幅值矩阵。

4.根据权利要求1所述的一种基于深度学习的非视距身份识别方法，其特征在于，所述步骤(3)中通过小波变换对有效矩阵进行去噪处理的具体方式为：选取daubechies 6小波基和5层的分解层数，对有效矩阵进行离散小波变换，得到高频的细节分量以及低频的近似分量；

选取硬阈值为阈值函数，使用固定阈值，去除高频细节分量；

用处理后的分量进行小波重构，得到去噪后的有效矩阵。

5.根据权利要求1所述的一种基于深度学习的非视距身份识别方法，其特征在于，所述步骤(4)中滑窗处理的具体方式为：(401)设置滑窗大小k；

(402)对于有效矩阵的每一列，首先选取最上面的k个元素作为第一个滑窗，计算得到该列的第一个短时能量值，然后选取第2个到第k+1个元素作为第二个滑窗，计算得到该列的第二个短时能量值，接着选取第3个到第k+2个元素作为第三个滑窗，计算得到该列的第三个短时能量值；以此类推，直至滑窗结束。

6.根据权利要求1所述的一种基于深度学习的非视距身份识别方法，其特征在于，所述步骤(4)中对短时能量值序列进行平滑处理的具体方式为中值滤波处理。

7.根据权利要求1所述的一种基于深度学习的非视距身份识别方法，其特征在于，步骤(6)中所述的一段时间为1.5秒。

8.根据权利要求1所述的一种基于深度学习的非视距身份识别方法，其特征在于，所述步骤(7)的具体方式为：(701)将CSI活动片段的各行按行序号逐个连接，组成CSI序列，放入多尺度卷积神经网络中，通过多组降频因子和滑动窗口对CSI序列进行处理，得到多个时间序列；

(702)为了防止过拟合，使用滑动窗口M在时间序列上截取数据，并共享同一个类别标签，同时增加测试集和训练集的规模；

(703)对时间序列进行一维局部卷积操作，提取特征；采用ReLU激活函数将神经网络中的线性运算转变为非线性运算；

(704)选择步长，对特征进行最大池化，实现特征选择和维度降低；

(705)使用Concatenate函数对步骤(704)处理后的特征进行合并拼接；

(706)对步骤(705)合并拼接后的特征进行全卷积、非线性运算和池化操作；

(707)使用Flatten函数对步骤(706)处理后的特征进行处理，得到一个一维特征序列，通过全连接层对一维特征序列中的特征进行级联；

(708)使用SoftMax函数对级联的特征进行分类，并将分类结果映射到区间(0，1)之间；

(709)采用损失函数计算误差，通过反向传播的方式指导网络参数的更新优化，从而实现身份识别；

所述损失函数为：

其中，Lauth为损失值，P代表身份识别种类，R表示训练或测试样本数，cr示第r个样本的真实值，dr,p表示第r个样本中第p个人的预测值。

9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述方法的步骤。