1.一种基于WiFi的姿态识别方法，其特征在于，包括以下步骤：步骤1.信道状态信息采集

通过无线网卡接收信道状态信息，获取的信道状态信息是复数矩阵形式：j∠H

H(fk)＝||H(fk)||e ，k∈(1,2,...,30)     (1)式中H(fk)是复数，表示中心频率为fk的子载波对应的信道状态信息；其中||H(fk)||为幅值，||j∠H||为相位；

步骤2.数据预处理

2.1相位预处理

对原始相位Hf＝||j∠H||采用公式(2)‑(4)去除异常点得到G，相继选取原始相位中的m，m为奇数，个元素生成移动窗口P；取该移动窗口内元素的中值HZ，并计算各元素对中值的标准差S；若窗口内某个元素与中值相差超过 个标准差，则用中值替换该元素；

P＝{H1,...,Hi}                                    (2)式中i∈(1,2,...,m)；

利用公式(5)‑(6)对G进行相位校准得到Q：G1＝G'1+ΔT+ω+2πf1

G2＝G'2+ΔT+ω+2πf1                                (5)Q＝G2‑G1                                          (6)式中G1,G2为天线1，天线2经过滤波处理之后的相位，G'1,G'2为实际的相位，Q为天线1经过校准的相位，ω为采样频率偏移、ΔT为时间延迟，2πf1为中心频率偏移；

再次使用公式(2)‑(4)去除相位中因校准而出现的异常点；

利用公式(7)确定相位特征向量T：

T＝{min(Q)；max(Q)；[|min(Q)‑max(Q)|]；B；J}       (7)相位的标准差B由公式(8)求得：

式中N为样本数量，M为总样本相位的均值；

J为相位的标准四分位距，由公式(9)得到：式中O，L分别为相位J的第一四分位距和第三四分位距；

2.2幅值预处理

对原始幅值数据集F采用公式(9)处理得到数据集W，从数据集F中相继抽出u个数值F1,...,Fu，u为奇数，成为长度为u的滤波窗口，将窗口内数值按照大小排序，取中位数替代Fd之后作为滤波输出，Fd为窗口中心，其中 公式表示为：Fd＝Med{F1,...,Fu}

式中Med是取中值的函数；

数据集W经过公式(10)处理得到幅值的特征向量数据集A：A＝{min(W)；max(W)；[|min(W)‑max(W)|]；C；V}        (10)C为幅值的标准差，式中N为样本数量，R为总样本幅值的均值；

V为幅值的信息熵，式中Pi为幅值中每一个元素的数值出现概率；

2.3特征向量降维处理

定义数据集D＝{(I1,b1),(I2,b2),...,(Ij,bj)}式中特征向量数据集Ij＝[Aj；Ej]，bj代表动作，j∈(1,2,...,Z)代表动作种类数量，Aj代表不同种类动作的相位特征数据集，Ej代表不同种类动作的幅值特征数据集；

采用公式(14)‑(19)对数据集D进行降维处理；

计算数据集Ij中不同动作对应数据集的均值向量Jj和类内协方差矩阵φj；

式中ωj为第j类动作样本的个数；

计算类内散度矩阵α和类间散度矩阵β；

式中ρ为所有动作样本数据集的均值向量，ωj为第j类动作样本的个数；

通过公式(18)计算投影到三维空间的矩阵向量，对应的基向量为(R1,R2,R3)，基向量组成的矩阵为R，定义函数z如下，求得最大的特征值对应的特征向量组R：通过公式(19)将数据集Ij转换为a'j：T

a'j＝RIj                                 (19)步骤3.分类模型建立

定义数据集D'＝{(a'1,b1),(a'2,b2),...,(a'j,bj)}，利用公式(14)‑(16)处理D'，得到不同动作对应数据集的均值向量，类内协方差矩阵θi和类内散度矩阵；利用公式(20)计算类间散度矩阵δ，得到最佳投影面；然后依次经过式(18)‑(19)处理，得到投影在平面的数据集h＝{(h1,b1),...,(hj,bj)}；

式中τ为所有动作样本的均值；

式中参数t为样本集中样本的相似度度量，通过欧几里得距离进行计算；

根据投影在平面的数据集h＝{(h1,b1),...,(hj,bj)}，建立不同动作种类下的高斯分布的概率密度函数：式中

建立指纹库Map＝{(h'1,b1),(h'2,b2),...,(h'j,bj)}，其中h'j为不同种类的概率密度函数，j为动作种类数量；

步骤4.姿态识别

测试集数据经过步骤3处理，得到投影在平面的数据点，求该数据点的均值矢量和协方差，代入步骤3的指纹库中的高斯分布概率密度函数，得出的预测为各个动作的概率，其中最大的概率即预测为该动作的概率。