1.一种基于稀疏表示与近端算法的射频信号特征遴选与识别方法，其特征是：具体包括以下步骤：步骤一，采集物联网WiFi设备信号，记作X；

步骤二，将信号X输入搭建的CVCNN网络中提取原始特征z，用于训练得到遴选后的关键特征；

步骤三，为原始特征添加稀疏参数λ，并在CVCNN网络的损失函数中添加对稀疏参数正则化的约束项；

步骤四，根据上一步添加约束项的损失函数，采用随机梯度下降算法与近端梯度下降算法分别对CVCNN网络的权重与稀疏参数进行前向传播与反向传播训练过程；

步骤五，根据前向传播与反向传播过程得到的关键特征，完成信号识别任务；

所述步骤一中，X＝{xi,i＝1,2,…,N}，其中N为信号样本数，经过CVCNN网络Dense层后输出原始特征z，并通过训练最终得到遴选后的关键特征 Softmax激活函数根据遴选后的关键特征将这些信号样本识别为k＝{yi,j＝1,2,…,K}，其中K为信号类别数；通过最大后验概率准则MAP将信号样本xi识别为所述步骤二中将X输入搭建的CVCNN网络，经过9层由复数卷积层、ReLU线性函数层、批标准化层、最大池化层构成的核心操作层，接着输入展平层，并由全连接Dense层输出特征，再经过ReLU线性函数、Dense层与Softmax激活函数输出识别结果；其中经过Dense层提取出的原始特征z用来进行关键特征的遴选。

2.根据权利要求1所述的一种基于稀疏表示与近端算法的射频信号特征遴选与识别方法，其特征是：所述步骤三的具体步骤如下：步骤3‑1，稀疏参数λ的维度与原始特征z的维度相同，原始特征z添加稀疏参数λ后得到关键特征：步骤3‑2，在损失函数中加入L1正则化约束，具体如下公式：

其中第一项为判别识别性能的交叉熵损失，w为CVCNN网络的参数；第二项为稀疏惩罚，α为正则化项的权重。

3.根据权利要求1所述的一种基于稀疏表示与近端算法的射频信号特征遴选与识别方法，其特征是：所述步骤四的具体步骤如下：步骤4‑1，CVCNN网络中除稀疏参数外，采用随机梯度下降算法来更新CVCNN网络的参数w，具体为：其中，η为CVCNN网络的学习率，t＝1,2,…,T，T为训练周期；

步骤4‑2，稀疏参数λ采用加速近端梯度下降算法更新，具体为：

其中，近端算子具体表示为如下公式：

4.根据权利要求1所述的一种基于稀疏表示与近端算法的射频信号特征遴选与识别方法，其特征是：前向传播中最大池化操作选取特征数值最大值作为输出，反向传播中通过该最大值在相应位置传递梯度，其余位置均为0。

5.一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，其特征是：所述指令当由计算设备执行时，使得所述计算设备执行如权利要求1至4中任一所述的方法。

6.一种基于稀疏表示与近端算法的射频信号特征遴选与识别设备，其特征是：包括一个或多个处理器、一个或多个存储器以及一个或多个程序，其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行如权利要求1至4中任一所述方法的指令。