1.一种基于CSI的增量学习人体动作识别方法，其特征是按如下步骤进行：步骤1、选定布局不同的M+1个室内场景分别记为(C0，C1，...，CM)，其中，C0为旧场景，(C1，...，Ci，...，CM)为新场景；Ci表示第i个新场景；M表示场景数；

在M+1个室内场景中分别部署一对WIFI收发设备，其中，使用路由器作为WIFI信号的发送设备，记为AP，使用无线网卡作为接收设备，记为RP，且路由器AP和无线网卡RP的间隔距离为l；

步骤2、在时间周期T内，分别在任一室内场景的采集点上做第s类动作，并使用所述接收设备RP以采样速率v连续采集所述发送设备AP发送的c个信道上的w个子载波信号，从而构成维度为c×w×T的三维CSI矩阵并分别作为相应室内场景中的一个动作样本，将所述三维CSI矩阵的每个元素与其对应的采集时刻相加，从而得到第s类动作的一个输入样本，以同一室内场景中第s类动作的n个输入样本构成对应室内场景中第s类动作的样本集Xs；

步骤3、按照步骤2的过程得到第i个新场景中的ti类动作样本集，并将M个新场景中所有动作的样本集按顺序排列为样本序列，其中，第i个新场景中的动作样本集在所述样本序列中对应的动作类别为ti‑1+1～ti类动作；

按照步骤2的过程得到旧场景中的动作样本集；

步骤3、数据增强；

步骤3.1、基于所述样本序列中第s类动作样本集Xs的输入样本xs，a和xs，b，利用式(1)得到伪输入样本xs，c，并加入第s类动作样本集Xs中，从而得到第s类动作的新样本集X′s；

xs，c＝ωxs，a+(1‑ω)xs，b+n     (1)式(1)中，ω表示随机权重，且ω∈(0，1)，n表示高斯噪声；

步骤4、构建增量学习网络模型，包括：特征提取器模块和最近邻分类器模块；

步骤4.1、所述特征提取器模块使用e个卷积单元和一个平均池化层；所述卷积单元由卷积层、批归一化层、relu激活函数层依次构成；

所述最近邻分类器模块使用激活函数为sigmoid的全连接层；

步骤4.2、第s类动作的新样本集X′s输入所述特征提取器模块中，并依次经过e个卷积单元和一个平均池化层的处理后，输出特征矩阵Fs＝{fs，1，...，fs，j，...，fs，n}，其中，fs，j表示第s类动作的新样本集X′s中第j个样本的特征向量；

第s类动作的新样本集X′s中第j个样本的特征向量fs，j经过最近邻分类器模块的处理后，输出向量 其中， 表示将第s类动作的新样本集X′s中第j个样本识别为第y类动作的概率值；

步骤4.3、初始化i＝1，基于旧场景C0中的动作样本集，初始化所述增量学习网络模型的网络参数θ，并得到预训练模型Modeli‑1；

将第i个新场景中的动作样本集的动作种类序号记为(ti‑1+1，...，u...ti)，则前i‑1个新场景中的动作种类序号记为(1，...，v...，ti‑1)，当i＝1时，令ti‑1＝0；

将第i个新场景中的动作样本集输入增量学习网络模型，并按照步骤4.2的过程进行处理，同时利用式(1)损失函数li(θ)更新网络参数θ，得到前i个新场景(C1，...，Ci)中动作类别的训练模型Modeli；

式(1)中， 为第u类动作的第j个输入样本属于第y类动作的真实概率， 为训练模型Modeli将第u类动作的第j个输入样本识别为第y类动作的概率；

步骤4.4、创建训练模型Modeli对应的内存集Pi；

步骤4.4.1、利用式(2)得到第u类动作的类平均向量μu：式(2)中，xu，j为第u类动作的第j个输入样本，为特征提取器模块训练的特征提取函数；

步骤4.4.2、利用式(3)计算第u类动作的新样本集X′u中第k个最接近类平均向量μu的样本pu，k：式(3)中，pu，j表示第u类动作的新样本集X′u中第j个最接近类平均向量μu的样本；

步骤4.4.3、按照步骤4.4.2的过程选取前mi＝K/ti个最接近类平均向量μu的样本依次加入到内存集Pi中，K表示Pi能存储的样本总数量；

步骤4.5、将i+1赋值给i后，执行步骤4.6；

步骤4.6、将第i个新场景中的动作样本集和内存集Pi‑1输入训练模型Modeli‑1中，基于内存集Pi‑1中每个动作样本按照步骤4.2的过程对训练模型Modeli‑1进行训练，并输出特征向量{Q1，1，...，Q1，n...，Qv，j...，Qt，n}；其中，Qv，j表示内存集Pi‑1中第v类动作的第j个输入样本的特征向量，且 其中， 表示将第v类动作的第j个输入样本识别为第y类动作的概率值；

基于第i个新场景中的动作样本集和内存集Pi‑1按照步骤4.2的过程对训练模型Modeli‑1进行训练，同时利用式(3)所示的损失函数li(θ)更新网络参数θ，得到前i个新场景(C1，...，Ci)中动作类别的训练模型Modeli；

式(3)中， 为训练模型Modeli将第u类动作的第j个输入样本识别为第y类动作的概率； 为第v类动作的第j个输入样本属于第y类动作的真实概率；

步骤4.7、判断i＞M是否成立，若成立，则表示得到用于识别M个新场景动作类别的训练模型并作为最终的人体动作识别模型，否则，返回步骤4.5。