1.一种基于CSI与双线程卷积网络的位置无关的人体动作识别方法，其特征在于，是按如下步骤进行：步骤1、采集CSI动作数据；

步骤1.1、在室内一矩形区域内选取间距为d的p个位置和任意分布的q个位置，在所述p个位置中选取p1个位置作为训练位置，将其余p2个位置和q个任意位置作为测试位置，p＝p1+p2；

步骤1.2、在所述矩形区域的外侧使用路由器作为WiFi信号的发送设备，记为AP，使用ki张网卡作为接收设备，并将第i个接收设备记为R，i∈[1,k]；

i

步骤1.3、在第j个训练位置上执行n种人体动作，并使用所述第i个接收设备R以采样速率v采集所述发送设备AP发送的a根天线上的x个WiFi信号，从而构建第j个训练位置上的第i个CSI动作数据步骤2、对CSI动作数据进行预处理；

步骤2.1、提取所述第i个CSI动作数据 的幅度值，并进行离散小波变换后得到去噪后的第j个训练位置上的第i个CSI动作样本数据步骤2.2、提取所述第i个CSI动作数据 的多普勒频移动作样本数据；

步骤2.2.1、对所述第i个CSI动作数据 进行天线选择，选出第i个CSI动作数据 的a根天线中WiFi信号的均值与标准差比值最大的一根天线步骤2.2.2、将所述第i个CSI动作数据 的其他天线上的WiFi信号与天线 上的WiFi信号进行共轭乘法，从而得到消除随机相位偏移后的第i个CSI动作数据步骤2.2.3、通过巴特沃斯带通滤波器对所述第i个CSI动作数据 进行滤波，并通过PCA方法选取 的第一主分量数据 再对所述第一主分量数据 进行短时傅里叶变换后得到多普勒频移动作样本数据步骤2.3、将k个接收设备上的去噪后的CSI动作样本数据 和多普勒频移动作样本数据 组合后，得到第j个训练位置上的组合动作样本数据Jj；

步骤3、构建双线程卷积网络，包括：特征提取模块和分类模块；并将所述组合动作样本数据Jj输入到所述双线程卷积网络中；

步骤3.1、构建所述特征提取模块，包括：并联设置的全局特征提取模块和局部特征提取模块；

步骤3.1.1、所述全局特征提取模块由u个3D卷积块和一个通道注意力机制块构成；其中，第U个3D卷积块记为3DConvU，U∈[1,u]；

所述第U个3D卷积块3DConvU包括：m个三维卷积层以及对应连接的m个ReLU激活函数层；

当U＝1时，将所述组合动作样本数据Jj输入全局特征提取模块，并经过第U个3D卷积块

3DConvU的处理后输出第U个全局时空特征Gfj,U；

当U＝2，3，…，u时，将第U‑1个全局时空特征Gfj,U‑1输入第U个3D卷积块3DConvU中进行处理，并输出相应的全局时空特征Gfj,U；从而由第u个3D卷积块3DConvu得到第u个全局时空特征Gfj,u并记为全局时空特征Gfj；

所述通道注意力机制块由3D全局最大池化层MaxPool、3D全局平均池化层AvgPool、全连接层MLP和激活函数sigmoid构成；

所述全局时空特征Gfj输入所述通道注意力机制块中，并分别经过所述3D全局最大池化层MaxPool和3D全局平均池化层AvgPool的处理后，相应得到最大池化特征向量GFj,max和平均池化特征向量GFj,avg；将所述最大池化特征向量GFj,max和平均池化特征向量GFj,avg作为全连接层MLP的输入，并利用式(1)计算通道注意力权重GFj,channel；

GFj,channel＝sigmoid(MLP(MaxPool(Gfj,u))+MLP(AvgPool(Gfj,u)))     (1)式(1)中，MLP表示全连接层，sigmoid表示激活函数，MaxPool表示3D全局最大池化层，AvgPool表示3D全局平均池化层；

将所述通道注意力权重GFj,channel与所述全局时空特征Gfj相乘后，得到优化后的全局时空特征Tj,Global；

步骤3.1.2、所述局部特征提取模块由w个2D卷积块、y个全连接块和z个长短期记忆块构成；其中，第W个2D卷积块记为2DConvW，第Y个全连接块记为FCY，第Z个长短期记忆块记为LSTMZ，W∈[1,w]，Y∈[1,y]，Z∈[1,z]；

所述第W个2D卷积块2DConvW包括：b个2维卷积层、b个最大池化层以及b个ReLU激活函数层；

当W＝1时，所述组合动作样本数据Jj输入局部特征提取模块中，并经过第W个2D卷积块

2DConvW的处理后输出第W个局部空间特征Lfj,S,W；

当W＝2，3，…，w时，将所述第W‑1个局部空间特征Lfj,S,W‑1输入所述第W个2D卷积块

2DConvW中进行处理，并输出第W个局部空间特征Lfj,S,W；从而由第w个2D卷积块2DConvw得到第w个局部空间特征Lfj,S,w并记为局部空间特征Lfj,S；

所述第Y个全连接块FCY包括：c个全连接层fc和c个ReLU激活函数层；

当Y＝1时，将所述局部空间特征Lfj,S输入所述第Y个全连接块FCY中进行处理，并输出第Y个高层次局部空间特征Lf′j,S,Y；

当Y＝2，3，…，y时，将所述第Y‑1个高层次局部空间特征Lf′j,S,Y‑1输入所述第Y个全连接块FCY中进行处理，并输出相应的第Y个高层次局部空间特征Lf′j,S,Y；从而由第y个全连接块FCy得到最终输出的第y个高层次局部空间特征Lf′j,S,y，并记为高层次局部空间特征Lf′j,S；

当Z＝1时，将所述高层次局部空间特征Lf′j,S输入所述第Z个长短期记忆块LSTMZ中进行建模，并输出第Z个局部时空特征Tj,Local,Z；

当Z＝2，3，…，z时，将所述第Z‑1个局部时空特征Tj,Local,Z‑1输入所述第Z个长短期记忆块LSTMZ中进行处理，并输出第Z个局部时空特征Tj,Local,Z；从而由第z个长短期记忆块LSTMz得到最终的局部时空特征，记为Tj,Local；

步骤3.2、所述分类模块包括：一个连接层CAT和一个全连接层fc；

步骤3.2.1、将所述优化后的全局时空特征Tj,Global和局部时空特征Tj,Local输入所述分类模块，并经过所述连接层CAT的处理后，输出时空特征Tj,CAT；

步骤3.2.2、将时空特征Tj,CAT输入所述全连接层fc中进行处理后，得到输出向量Qj；再使用softmax函数对所述输出向量Qj进行处理后，得到最大预测概率Pj并作为第j个训练位置上的组合动作样本数据Jj的分类结果；

步骤4、基于p1个训练位置上的组合动作样本数据，利用反向传播算法对所述双线程卷积网络进行训练，并计算分类交叉熵损失函数用于更新网络参数，直到损失函数收敛为止，从而得到人体动作分类模型；

步骤5、对测试位置上的动作样本数据进行预处理后，输入所述人体动作分类模型中并得到相应的分类结果。