1.一种基于无线信号的小样本手势识别方法，其特征在于，包括以下步骤：S1、实验环境的部署；

选定一间空旷的实验室，在实验室内部署一个数据采集装置，该装置包括一个发射端和一个接收端，所述发射端为无线路由器，用于发射无线信号，所述接收端为电脑，用于接收并保存来自无线路由器的包含环境信息的CSI数据；

S2、实验数据的采集；

组织m名实验者坐在发射端和接收端中间的位置，位置固定不变，做出规定的手势动作，每个手势动作重复n次，进行实验数据的采集；

S3、数据预处理；

针对S2中采集到的手势数据，提取其CSI的幅值信息，并利用离散小波变换对其进行降噪处理，预处理后的数据构成数据集；

S4、数据集的划分；

将S3中的数据集划分为训练集和测试集，再分别将训练集和测试集中的数据划分为支持集和查询集，支持集用于得出每个类别的类原型，查询集用于计算与类原型的距离，进而得出分类概率；

S5、构建小样本手势识别模型；

在S5中，包括以下子步骤：

S51、以原型网络为基础进行小样本手势识别模型的构建；

所述原型网络使用含有四个卷积层的CNN作为一个嵌入模块，利用该嵌入模块学习一个映射函数fφ(x)；将支持集通过fφ(x)映射到嵌入空间内，计算每个类的类原型：式中，ck表示类k的类原型，Sk表示类k，|Sk|表示类k中样本数量，(xi,yi)为第i个样本和标签；

建立好每个类的原型后，将查询集通过fφ(x)映射到嵌入空间中，求查询点到每个类别的距离，然后使用softmax函数进行归一化操作得到概率，即x属于类k的概率，公式如下：式中，Pφ(y＝k|x)为x属于类k的概率，y为x的真实类别，d(fφ(x),ck)为查询点x到类原型ck的欧氏距离，ck'表示类k'的类原型，d(fφ(x),ck′)为查询点x到类原型ck'的欧式距离；

最后对上述概率取负对数得出损失函数J(φ)：

J(φ)＝‑logPφ(y＝k|x)；

得到损失函数J(φ)后，用随机梯度下降法最小化损失函数，得到最优参数φ；

S52、对原型网络改进以完成小样本手势识别模型的构建；

为了进一步提升小样本手势识别的分类精度，对原型网络进行改进，在查询集映射到嵌入空间前，对查询集进行在线数据增强，对其中的数据进行随机翻转，导致每次训练的数据都不一样，间接导致数据量的增加；

S6、将训练集放入构建好的小样本手势识别模型中对其进行训练，待模型训练完成后用测试集进行测试，查看分类效果。

2.根据权利要求1所述的一种基于无线信号的小样本手势识别方法，其特征在于，在S1中，所述实验室大小为10×15m，无线路由器型号为商用版TP‑LINK WDR 6500；

电脑与路由器之间相距1.5m，电脑上安装Ubutu12.04操作系统，配备Intel 5300网卡，且外接有三根天线，天线离地高度为1.2m；电脑通过USB外接两个小音响，手势动作的绘制通过音响发出开始或结束指令来完成；

配置电脑的内核驱动和无线网卡，使无线路由器与电脑之间稳定500HZ的信号传输模式。

3.根据权利要求1所述的一种基于无线信号的小样本手势识别方法，其特征在于，在S2中，组织6名实验者分别坐在发射端和接收端中间的位置，用右手手指在空中绘制数字0～9以及26个英文字母大小写，总共62类手势动作；

实验者需要在4秒内完成一个手势动作的绘制，音响发出开始指令，实验者开始做出规定的手势动作，4秒后音响发出结束指令，此过程重复50次即完成一个类别的手势动作的数据采集，总共需完成62类手势动作的采集。

4.根据权利要求1所述的一种基于无线信号的小样本手势识别方法，其特征在于，在S3中，首先将所需要的幅值波动的信息从采集到的CSI数据中分离出来，并利用离散小波变换对其进行去噪处理，分离出有效数据；

离散小波变换为输入信号经过两个互补的滤波器进行分解，得到信号的近似和细节信息，过程为输入信号经过高通滤波器将输入信号的低频部分过滤掉而输出高频部分，再经过降采样滤波器，得到需要过滤掉的高频信息即信号的细节值；输入信号经过低通滤波器，将输入信号的高频部分过滤掉而输出低频部分，再经过降采样滤波器，从而得到需要的有效数据即信号的近似值。

5.根据权利要求3所述的一种基于无线信号的小样本手势识别方法，其特征在于，在S4中，针对采集到的62类数据，对数据进行预处理后，选取其中36类作为训练集，剩余26类为测试集；

所述支持集包含N‑way K‑shot，表示从数据集中随机采样N个类别，每个类别采样K个样本；查询集也包含N‑way，但样本数由每个类别中除K‑shot外的全部或部分剩余样本构成；分别取K为1、5和10进行实验。

6.根据权利要求1所述的一种基于无线信号的小样本手势识别方法，其特征在于，在S6中，小样本手势识别模型建立完毕后，将训练数据输入到模型中对其进行训练，待模型训练完成后，将测试集输入到小样本手势识别模型中进行测试，得出分类精度。