1.基于信道状态信息商距离的行人步态识别方法，其特征在于：包括如下步骤：步骤1、数据采集：利用一个WiFi发射端以及两个WiFi接收端对感知区域内的人行走的CSI数据进行采集，用来进行模型训练以及测试；

步骤2、信号预处理：对采集得到的CSI数据进行相关去噪处理，对CSI数据中包含的与人行走的无关噪声信息进行消除；

步骤3、CSID提取：利用信道状态信息商在复平面的变化信息包含了人行走的步态特征，提出CSID来表征信道状态信息商在复平面的变化；

步骤4、身份识别：结合深度学习在特征提取方面的优势，使用LSTM网络模型进行特征提取进而实现身份识别。

2.根据权利要求1所述的基于信道状态信息商距离的行人步态识别方法，其特征在于：在步骤1中，选取了两个垂直WiFi链路上的CSI数据进行系统测试，首先对每一条CSI数据进行数据预处理，通过两天线作商进行初步去噪得到CSI商，然后进一步提取CSI商的振幅商与相位差信息利用hampel滤波以及离散小波变换对振幅商和相位差进一步去噪，将去噪后的振幅商与相位差重新进行重构得到去噪后的CSI商；从CSI商在复平面的运动提取含有子载波的CSID信息，将CSID信息与其与代表真实身份的标签进行封装，形成数据集中的一个样本。

3.根据权利要求1所述的基于信道状态信息商距离的行人步态识别方法，其特征在于：在步骤2中，通过提取CSI商的振幅商与相位差信息并分别对其进行进一步去噪，然后对去噪后的振幅商与相位差进行信号逆变换得到去噪后的CSI商信息。

4.根据权利要求3所述的基于信道状态信息商距离的行人步态识别方法，其特征在于：在步骤2中，包括

步骤21、CSI商去噪：通过两根天线得到的CSI作除法运算，CSI是一个复数信息，其中包含了信号的振幅与相位信息，由复数除法运算可以得知，CSI商的振幅变为原来两个天线的振幅之比，CSI商的相位代表原来两个天线的相位之差，经过两天线作商得到的CSI商信息中，包含了人行走引起的信号变化信息；

步骤22、hampel滤波去噪：利用Hampel滤波器来对信号波形中明显存在的异常值进行去除；

步骤23、离散小波变换去噪：系统对经过hampel滤波后的振幅商与相位差信息采用离散小波变换(DWT)进行更进一步去噪，将信号波形最大程度地聚焦于人类行走行为；在利用离散小波变换对频率为F的原始信号X分解时，原始X信号首先会经过低通和高通滤波器进行滤波；经过低通滤波器被分解为第1级近似系数ACs，经过高通滤波器器被分解第1级细节系数DCs，近似系数ACs和细节系数DCs分别对应原始信号0‑F/2的低频部分和F/2到F的高频部分，之后再对每一级分解而得到的近似系数经过相同的分解过程进行迭代分解，从而可以获得更多具有不同频率信息和时间尺度的相关小波系数。

5.根据权利要求4所述的基于信道状态信息商距离的行人步态识别方法，其特征在于：在步骤23中，选用db4小波对选定的子载波的振幅商和相位差进行3级小波分解；所述CSI收集的采样率为1000Hz，CSI数据中能包含的信号最高频率为500Hz，对第3级近似系数重构得到包含0‑62.5Hz频率的信号，离散小波变换可以更好的将波形中与人行走运动无关的信号噪声进一步去除，使去噪后的信号波形更好的聚焦在人行走引起的信号波形变化。

6.根据权利要求4所述的基于信道状态信息商距离的行人步态识别方法，其特征在于：在步骤4中，采用双层的长短时记忆神经网络，使用LSTM单元结构对每个待识别用户的步态特征进行提取，以实现鲁棒的身份识别，神经网络模型将对输入的CSID序列，通过神经网络隐藏层中的LSTM单元对CSID中包含的步态特征进行提取。

7.根据权利要求6所述的基于信道状态信息商距离的行人步态识别方法，其特征在于：对采集的CSI数据经过信号预处理后得到的CSID作为网络模型的输入，将CSI信息中30个子载波的CSID序列表示为以下公式

式中i表示子载波编号，j表示时间序列信息；CSID表示的是在时间序列中CSI商复平面上点到初始点的欧式距离变化的信息，数据集中的一个样本数据可以表示为D＝{(Xi,Y)},i＝1,2,3,...,30，其中D中包括CSI数据中30个子载波提取的CSID序列及其对应的一个身份标签；Xi表示30个子载波信息处理得到的30个CSID序列，Y表示的是标签值，代表身份信息；身份识别问为创建模型，该模型能够根据输入的Xi矩阵去预测身份标签Y；

对于每一个隐藏层的输入，LSTM可以将时刻t以及i＝[1,2]层的输入 映射为特征ft，如式所示：

其中g表示激活函数， 表示输入，包含序列的当前信息 短期信息 以及长期信息 其中维度大小为d＝30，P表示权重矩阵，b为偏置；

通过全连接层对LSTM的输出进行矩阵变换，通过以下公式来得到身份识别每个用户的概率：

y＝Wo*o+bo；

m×n

其中，O∈R 表示LSTM模型的输出，m表示输入批次大小，n表示lstm模型的输出维度大n×7 m×7

小，Wo∈R 表示全连接网络的参数矩阵，bo表示网络的偏置，y∈R 表示最终的概率矩阵；

利用Softmax函数对每个用户的概率进行归一化；利用以下公式计算出每个输出类别的概率，表示属于每个类别的可能性，选取概率最大的即为分类结果：式中，yi表示LSTM网络第i个节点的输出值，k表示输出节点的个数，即分类的类别个数，通过Softmax函数将多分类问题中的输出值转换为[0,1]之间的概率分布问题；

模型使用的损失函数为交叉熵损失函数，损失函数表示为以下公式：其中，m为参与损失函数计算的样本数量，一般为数据集加载器一批加载的样本数量，Θ为模型的参数,Yi为数据的真实值即标签值，yi为网络的预测值，网络模型根据损失函数的情况进行梯度回归，直至损失函数收敛时结束训练。