1.一种基于轻量级深度学习网络的手写字母识别方法，其特征在于，具体包括以下步骤：步骤一：采集室内环境下路由器的信道状态信息CSI，对CSI进行处理，得到按时序排列的CSI子载波的幅值和相位信息；

步骤二：对步骤一得到的子载波的幅值和相位信息进行预处理，所述预处理包括对子载波的幅值信息进行Hampel滤波、平滑滤波以及软阈值滤波，对子载波的相位信号进行解卷绕、线性变换处理、差分处理和滤波处理；

步骤三：对步骤二预处理后的子载波的幅值和相位信息，使用一种结合滑动窗口的短时能量算法截取子载波上动作区间的幅值和相位信息作为有效的手势片段，去除子载波上的非动作区间；

步骤四：将步骤三截取出来的动作区间的幅值和相位信息使用双三次插值算法进行缩放，将缩放后的幅值和相位信息制作成数据集；

步骤五：将步骤四的数据集分成训练集和测试集两部分，搭建MobileNet_V2深度学习网络，利用训练集对经过迁移学习的MobileNet_V2深度学习网络进行训练，得到手写字母分类网络模型；

步骤五：利用测试集对步骤四得到的手写字母分类网络模型进行测试，完成手写字母手势分类。

2.如权利要求1所述的一种基于轻量级深度学习网络的手写字母识别方法，其特征在于，步骤二中线性变换处理具体为：解卷绕得到的第m个子载波的相位表示为： 其中， 表示

第m个子载波的相位真实值，δ表示时间偏移，β表示相位偏移，Z表示测量噪声，km表示第m个子载波子载波索引，N表示快速傅里叶点数；

定义测量相位的斜率 测量相位的均值

根据公式 对 进行线性变换，得到预处理

后的相位信息 其中 表示第n个子载波的相位测量值、

表示第1个子载波的相位测量值、kn表示第n个子载波子载波索引、k1表示第1个子载波子载波索引、 表示第n个子载波的相位真实值、 表示第1个子载波的相位真实值、 表示第j个子载波的相位真实值、n表示子载波数。

3.如权利要求1所述的一种基于轻量级深度学习网络的手写字母识别方法，其特征在于，步骤三中，一种结合滑动窗口的短时能量算法具体为：一个子载波上的幅值和相位信号在经过短时能量STE算法处理后，先区分非动作区间与动作区间，再利用滑动窗口W遍历整个经过STE算法处理后的子载波序列，计算第i个窗口的左半边窗口里的幅值和相位数据的平均绝对偏差值WL，右半边窗口里的平均绝对偏差值WR，当WL＜μ且WR＞μ时，则判定第i个窗口的中点为有效的手势片段的开始点，当WL＞μ且WR＜μ时，则判定第i个窗口的中点为有效的手势片段的结束点。

4.如权利要求1所述的一种基于轻量级深度学习网络的手写字母识别方法，其特征在于，步骤四中，MobileNet_V2网络包括顺序连接的输入层、一个二维卷积层、17个深度可分离卷积层、一个二维卷积层、平均池化层以及全连接层；所有的卷积层的卷积操作之后都要经过一个批量归一化层Batch Normalization和ReLU6激活层，而深度可分离卷积层则只经过归一化层，不经过激活层。

5.如权利要求1所述的一种基于轻量级深度学习网络的手写字母识别方法，其特征在于，步骤一中采用英特尔5300网卡采集室内环境下路由器的信道状态信息CSI。

6.如权利要求1所述的一种基于轻量级深度学习网络的手写字母识别方法，其特征在于，步骤一中使用CsiTool工具对CSI进行处理。

7.如权利要求3所述的一种基于轻量级深度学习网络的手写字母识别方法，其特征在于，一个子载波上的幅值和相位信号在时间t处的短时平均能量表示为：其中ω(·)表示窗函数，L表示窗长，h(csi)表示软阈值滤波后的CSI信号。

8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一所述的方法。

9.一种基于轻量级深度学习网络的手写字母识别系统，其特征在于，包括：存储器和处理器；所述存储器上存储有计算机程序，当所述计算机程序被所述处理器执行时，实现如权利要求1至7中任一所述的方法。