1.一种训练动作识别方法，其特征在于，包括以下步骤：

S1、利用三轴传感器采集用户的当前运动数据集合和历史运动数据集合；其中，当前运动数据集合包括当前时刻的当前加速度数据和当前角速度数据，历史运动数据集合包括各个历史时刻的历史加速度数据和历史角速度数据；

S2、对各个历史时刻的历史加速度数据和历史角速度数据进行重构，生成对应的重构加速度数据和重构角速度数据；

S3、根据各个历史时刻的重构加速度数据和重构角速度数据，生成历史动作矩阵，根据当前加速度数据和当前角速度数据，生成当前动作矩阵；

S4、根据历史动作矩阵和当前动作矩阵，识别训练动作；

所述S2包括以下子步骤：

S21、提取各个历史时刻的历史加速度数据的特征系数和历史角速度数据的特征系数；

S22、根据历史加速度数据的特征系数和历史角速度数据的特征系数，生成历史数据字典矩阵；

S23、利用特征符号搜索算法对历史数据字典矩阵进行稀疏分解，生成稀疏系数；

S24、将历史加速度数据与稀疏系数的乘积作为拟合加速度数据，将历史角速度数据与稀疏系数的乘积作为拟合角速度数据；

S25、对拟合加速度数据和拟合角速度数据分别进行归一化处理，生成重构加速度数据和重构角速度数据；

所述S21中，历史加速度数据的特征系数a0的计算公式为：

；

式中，N表示历史时刻总数，axn表示第n个历史时刻x方向的历史加速度，ax(n‑1)表示第n‑

1个历史时刻x方向的历史加速度，ax(n+1)表示第n+1个历史时刻x方向的历史加速度，ayn表示第n个历史时刻y方向的历史加速度，ay(n‑1)表示第n‑1个历史时刻y方向的历史加速度，ay(n+1)表示第n+1个历史时刻y方向的历史加速度，azn表示第n个历史时刻z方向的历史加速度，az(n‑1)表示第n‑1个历史时刻z方向的历史加速度，az(n+1)表示第n+1个历史时刻z方向的历史加速度，T1表示采集历史加速度数据的周期，axmax表示x方向的最大历史加速度，aymax表示y方向的最大历史加速度，azmax表示z方向的最大历史加速度；

所述S21中，历史角速度数据的特征系数w0的计算公式为：

；

式中，wxn表示第n个历史时刻x方向的历史角速度，wx(n‑1)表示第n‑1个历史时刻x方向的历史角速度，wx(n+1)表示第n+1个历史时刻x方向的历史角速度，wyn表示第n个历史时刻y方向的历史角速度，wy(n‑1)表示第n‑1个历史时刻y方向的历史角速度，wy(n+1)表示第n+1个历史时刻y方向的历史角速度，wzn表示第n个历史时刻z方向的历史角速度，wz(n‑1)表示第n‑1个历史时刻z方向的历史角速度，wz(n+1)表示第n+1个历史时刻z方向的历史角速度，T2表示采集用户历史角速度数据的周期，wxmax表示x方向的最大历史角速度，wymax表示y方向的最大历史角速度，wzmax表示z方向的最大历史角速度；

所述S4包括以下步骤：

S41、对历史动作矩阵和当前动作矩阵进行融合，生成融合特征矩阵；

S42、提取融合特征矩阵的融合特征系数；

S43、提取历史动作矩阵的特征值和当前动作矩阵的特征值；

S44、判断历史动作矩阵的特征值与当前动作矩阵的特征值之间的均值是否大于融合特征矩阵的融合特征系数，若是则进入S45，否则进入S46；

S45、将历史动作矩阵和当前动作矩阵作为卷积神经网络的输入，生成训练动作；

S46、对当前加速度数据、当前角速度数据以及采集当前运动数据集合的周期进行积分运算，生成训练动作；

所述训练动作识别方法利用训练动作识别系统实现，所述系统包括数据采集单元、数据重构单元、动作矩阵生成单元和训练动作识别单元；

所述数据采集单元用于利用三轴传感器采集用户的当前运动数据集合和历史运动数据集合；其中，当前运动数据集合包括当前时刻的当前加速度数据和当前角速度数据，历史运动数据集合包括各个历史时刻的历史加速度数据和历史角速度数据；

所述数据重构单元用于对各个历史时刻的历史加速度数据和历史角速度数据进行重构，生成对应的重构加速度数据和重构角速度数据；

所述动作矩阵生成单元用于根据各个历史时刻的重构加速度数据和重构角速度数据，生成历史动作矩阵，根据当前加速度数据和当前角速度数据，生成当前动作矩阵；

所述训练动作识别单元用于根据历史动作矩阵和当前动作矩阵，识别训练动作。

2.根据权利要求1所述的训练动作识别方法，其特征在于，所述S3中，生成历史动作矩阵的具体方法为：将所有历史时刻的重构加速度数据和重构角速度数据从大至小依次排序，生成重构运动数据集合，将重构运动数据集合均分为第一重构运动数据子集和第二重构运动数据子集，分别计算第一重构运动数据子集的第一映射特征值和第二重构运动数据子集的第二映射特征值，将第一重构运动数据子集中小于第二映射特征值的数据剔除，将第二重构运动数据子集中小于第一映射特征值的数据剔除，生成最新重构运动数据集合，根据最新重构运动数据生成当前历史动作矩阵；

所述第一重构运动数据子集的第一映射特征值c1的计算公式为：

；

式中，σ1表示第一重构运动数据子集中所有数据的标准差，C表示常数，Am表示第一重构运动数据子集中第m个数据，Am‑1表示第一重构运动数据子集中第m‑1个数据，M表示第一重构运动数据子集的数据个数，μave‑1表示第一重构运动数据子集中所有重构加速度数据的均值，μave‑2表示第一重构运动数据子集中所有重构角速度数据的均值；

所述第二重构运动数据子集的第二映射特征值c2的计算公式为：

；

式中，σ2表示第二重构运动数据子集中所有数据的标准差，Bk表示第二重构运动数据子集中第k个数据，Bk‑1表示第二重构运动数据子集中第k‑1个数据，K表示第二重构运动数据子集的数据个数，μave‑3表示第二重构运动数据子集中所有重构加速度数据的均值，μave‑4表示第二重构运动数据子集中所有重构角速度数据的均值。

3.根据权利要求1所述的训练动作识别方法，其特征在于，所述S3中，生成当前动作矩阵的具体方法为：将当前加速度数据与当前角速度数据之间的均值作为当前动作矩阵的元素，其余元素用1填充，生成当前动作矩阵。

4.根据权利要求1所述的训练动作识别方法，其特征在于，所述S41中，融合特征矩阵Z的计算公式为：；

式中，X表示历史动作矩阵，Y表示当前动作矩阵， 表示哈达玛积运算。

5.根据权利要求1所述的训练动作识别方法，其特征在于，所述S42中，融合特征矩阵的融合特征系数d的计算公式为：；

式中，X表示历史动作矩阵，Y表示当前动作矩阵，λ1表示历史动作矩阵的特征值，λ2表示当前动作矩阵的特征值，I表示单位矩阵，Z表示融合特征矩阵，||·||2表示二阶范数运算。