1.一种基于射频信号多任务学习网络的室内场景理解方法，其特征在于：包括如下步骤，步骤1、数据采集：使用搭载Atheros无线网卡进行信道状态信息的采集；

步骤2、数据预处理：滤除原始信号中包含的噪声，完成去噪后合成多链路数据，规范数据格式，构建神经网络的输入数据集；

步骤3、多任务识别网络：使用多任务学习网络Wisenet实现室内场景理解，其中Wisenet包含共享表示层、以及使用共享表示层多任务之间梯度信息的域识别网络Dom_Net、位置识别网络Loc_Net和行为识别网络Act_Net；

在步骤3中，域识别网络Dom_Net使用基于最小池化的卷积注意力机制赋予振幅值较小的信息更大的权重，来区分不同的域；行为识别网络Act_Net基于使用基于最大池化的卷积注意力机制赋予振幅值较大的信息更大的权重，来区分不同的动作；

将步骤2获得的输入数据集输入卷积注意力机制AM，卷积注意力机制AM包括通道注意力模块和空间注意力模块；

将步骤2获得的输入数据集输入正常卷积操作的同时加入注意力机制，通道注意力模块表示为下式：MC(F)＝σ(MLP(AvgPool(X)))+MLP(MinPool(X)))，其中，X为神经网络的输入数据，AvgPool和MinPool分别为平均池化层和极限池化层，MLP为共享层，在共享层通过卷积操作实现数据降维和特征提取，σ为对应的Sigmoid激活函数；通道注意力模块将特征图在空间维度上进行压缩，仅考虑各个通道内部的特征，输入的特征图在卷积操作的同时，分别经过通道注意力模块的全局平均池化层和全局极限池化层，平均池化层对每一个特征点都有反馈，被用来保留特征图中的背景信息，极限池化层在梯度反向传播计算时，只有特征图上响应小的特征点才有梯度的反馈；经过平均池化层和极限池化层的两个特征图被输入到共享层MLP中实现降维和特征提取，压缩特征图的空间维度，将MLP的输出加和后经过sigmoid函数激活，可得到通道注意力矩阵，该结果与经过卷积的特征矩阵进行智能乘积运算，得到调整后的特征F'；

空间注意力模块对通道进行压缩，空间注意力模块表示为下式：

n*n

Ms(F)＝σ(f ([AvgPool(F′)；MinPool(F)]))，其中，其中F'为经过通道注意力机制后的特征，f对应于二维卷积操作，n为卷积核的维度，AvgPool用来提取通道上的平均值，MinPool用来提取通道上的极限值；将平均池化层和极限池化层提取到的特征矩阵连接起来，经过卷积层后被sigmoid激活，得到空间注意力矩阵(Spatial Attention)，将此空间注意力矩阵与调整后的特征F'进行智能乘积运算，得到下式：CA＝Mc(F)·Ms(F)，

CA即为在CNN基础上添加注意力机制的结果，在具体的域识别应用中，CA包含采集的数据中的背景信息，用来表征当前用户所处的域，当网络包含多层时，CA作为输入迭代到下一层的计算中；

所述共享表示层包含两层卷积，每层卷积操作后，都有批量归一化层和带泄露的修正线性单元的结构，来避免梯度消失和梯度爆炸现象的发生；

在步骤3中，利用Wisenet网络结构，数据输入到输出计算过程如下：原始数据集D＝{(x1,y1),(x2,y2)…(xn,yn)}，其中 xi经过两层硬共享层得到共享层输出Si：

s s

Si＝LeaklyRelu(f(Σi∈Dxi*ki+bi))，其中k为对应的卷积核参数，b为偏置量；卷积后的xi经过LeaklyRelu激活后，在三个任务之间共享k和b；在梯度更新过程中，返回任务特定梯度信息的同时返回共享参数的梯度信息；

为判断出用户所处的域，使用Dom_Net所示的网络结构；经过共享层后的Si首先经过卷积后得到在训练过程中，中间层数据分布发生改变可能会出现梯度消失或爆炸的问题；为解决此问题同时加快训练速度， 需要经过批量归一化层BN；经过BN层后得到dom经过LeaklyRelu后使用最大池化得到一维卷积后的结果F :首先在其各个通道上提取最小值，即添加通道注意力机制CA，得到接着，将通道信息进行压缩，即添加空间注意力机制SA，得到

卷积完以后的数据xi经过两次上述步骤后，经过一层线性全连接层输出得到其中Wdom和bdom分别为全连接层迭代更新的权值矩阵和偏置矩阵；

各行的最大值对应的索引值即为网络预测的输出，其对应的损失函数为Ldom：act

同理Si经过Act_Net后得到的输出经过三层卷积层后得到F ；由于变化幅度较大的信号中包含了更多用户的行为信息，所以添加由平均池化和最大池化层组成的注意力机制；

添加上注意力机制后得到

经过一层线性全连接层得到

其对应的损失函数分别为：

相对来说，Loc_Net的网络结构比较简单，这是因为CNN卷积神经网络本身对空间信息较为敏感，因此不需要添加注意力机制也能很好地对位置进行识别；经过Loc_Net后卷积层后到的输出为loc

经过批量归一化层和激活函数层后得到F :

Si经过两层卷积最后经过全连接层得到

同样地，最终Loc_Net的损失函数为：

由于共享层嵌在每个子网络中，各个子网中返回的loss中既包含特定任务的梯度信s i息，也包含来自共享层的梯度信息，即Θ包含θ ,θ两部分，Wisenet的优化目标函数为：其中Li＝{Ldom,Lact,Lloc},通过更新参数以使目标函数达到最小；

Wisenet最终的输出为三个网络的输出， 和 分别对应于用户所处的域、所在当前域的位置以及执行的动作；根据域和位置的信息推断出动作所包含的具体含义。

2.根据权利要求1所述的基于射频信号多任务学习网络的室内场景理解方法，其特征在于：在步骤1中，采集数据的设备包括两台电脑、两台搭载Atheros无线网卡的路由器和网线，电脑和路由器之间通过网线连接，通过笔记本访问路由器系统，完成模式、中心频率和发包速率参数设置，并向路由器传达发送信号和接收信号指令；两台路由器根据终端发来的命令控制CSI信号的发送和接收，命令中包含目的地址和发包数量，每台路由器有两对收发端天线，发送端发包率为500包/秒，带宽为20MHZ，中心频率采用2.4GHZ。

3.根据权利要求1所述的基于射频信号多任务学习网络的室内场景理解方法，其特征在于：在步骤2中，去噪方法为小波变换中的小波分解与重构，利用db3小波对CSI的振幅进行单尺度小波变换分析，随机选取原始信号中的一个子载波数据进行db3小波系数分解与重构，以完成滤噪。

4.根据权利要求2所述的基于射频信号多任务学习网络的室内场景理解方法，其特征在于：在步骤2中，将两对收发端的所有链路数据合成为(2000,56,4)的数据格式，合成后的数据连同其对应的三个标签，分别为域、位置、动作，合成后的数据生成数据集。