1.一种基于WIFI中信道状态信息和改进卷积神经网络的动作识别方法，其特征在于：包括如下步骤：

步骤1，数据采集：在室内稀疏环境中采集人体动作WI‑FI信号，接收端采集信道状态信息；

步骤2，数据预处理：提取人体动作WI‑FI信号中的幅值信息，通过低通滤波器去除烦扰因素产生的高频噪声，再利用基于阈值的方法进行有效数据的提取，并通过滑窗采样统一数据尺寸，同时加注标签，后划分训练集和测试集；

步骤3，构建改进sha‑CNN，并加入批正则化机制，对训练集进行特征提取，采用了局部特征融合策略，来获得人体动作图像的全局特征；

步骤4，利用改进sha‑CNN进行动作分类模型训练，输入测试集进行动作分类预测，根据实际动作分类比对预测标签。

2.根据权利要求1所述一种基于WIFI中信道状态信息和改进卷积神经网络的动作识别方法，其特征在于：加注标签后的数据70％划分为训练集，30％划分为测试集。

3.根据权利要求1所述一种基于WIFI中信道状态信息和改进卷积神经网络的动作识别方法，其特征在于：局部特征融合策略具体操作为：将提取的动作特征拆解为两个或多个独立动作，将独立动作的参数模型A1，A2，...，An各自的模态特征导入Mix模块，Mix模块对独立动作的参数模型的特征参数进行混合特征参数运算，公式为：其中， 是Mix模型第i层的权重因子， 是动作模型An第i层的第k个动作的动作特征参数， 是 的权重因子，n为动作模型分类的类别数。

4.根据权利要求1所述一种基于WIFI中信道状态信息和改进卷积神经网络的动作识别方法，其特征在于：步骤4中改进sha‑CNN包括卷积、池化和非线性层，批正则化机制加入在卷积层中。

5.根据权利要求4所述一种基于WIFI中信道状态信息和改进卷积神经网络的动作识别方法，其特征在于：卷积层的大小为1×1、深度为n、对conv1、conv2采用3×3尺寸的卷积核，步长为2，池化层尺寸采用2×2，步长移动设置为2；conv3卷积核尺寸设为2×20，设置垂直方向卷积步长为20，水平方向卷积步长为1，池化层尺寸设为2×10，步长设为1。

6.根据权利要求1所述一种基于WIFI中信道状态信息和改进卷积神经网络的动作识别方法，其特征在于：批正则化的输入数据为维度为m的小批量数据B＝{x1，x2，…，xm}、需要学习的参数γ和β，首先计算小批量数据均值μB，计算如下：其中，xω表示小批量数据集B＝{x1，x2，...，xm}中的第ω个数据，ω∈[1，m],m为小批量数据集B中的最后一个数据；

接着计算小批量数据的方差 计算如下：

进行规范化操作，规范化数值 计算如下：

其中,γ和β分别为模型数据训练得出，在每次模型训练中为固定值。