1.一种基于双重对抗网络的跨环境人体活动识别方法，其特征在于，包括以下步骤：S1、对于源域和目标域中收集的全部CSI数据，根据时间戳信息将子载波插值为等差的时间序列数据，使用滤波器进行信号去噪，得到干净的子载波作为神经网络模型的输入；

S2、利用轮廓系数判断目标域中活动的分布是否聚敛，对于同一活动分布距离较大，难以聚敛的目标域，利用生成对抗网络和自注意力结合的技术生成符合目标域活动特征分布的虚拟样本，并输入模型用于训练；具体为给定目标域样本和源域样本，最小化下列对抗损失函数：；

；

其中 表示源域的鉴别器， 表示目标域的鉴别器， 表示源域的生成器， 表示目标域的生成器， 表示源域数据集， 表示目标域数据集；

S3、给定一个标记源域 包括 个样本的数据集 和相应的标签集 ，每个样本 在 中与一个标签 相关联；给定一个未标记的目标域数据集 由个样本组成；将数据集 划分为两个源域数据集 和 ，针对 和 设计相应的分类器 和 ；分类器输入对应的源域特征计算交叉熵损失：；

表示相应源域的样本数量， 表示目标域编码器， 表示标签向量的转置；

S4、固定训练好的分类器 和 ，将另一源域中提取的特征输入当前源域的分类器中计算交叉熵损失，进行交叉对抗训练；

；

S5、在分类器交叉对抗训练中结合域对抗训练，将源域数据提取的特征和目标域数据提取的特征送到源域的环境判别器 ，通过学习目标域的映射特征进行域自适应对抗训练，在训练的同一批次中计算对抗性损失，对抗性损失函数表示为：；

；

S6、利用自预测学习法挖掘无标记目标域数据中的鉴别信息，利用源域样本与批量目标域样本之间的相似性，建立匹配准则，选择目标域中的样本分配伪标签，当两个分类器和 的识别结果相同并且输出的结果之和大于设定的阈值时，为目标样本分配伪标签，该过程表示为：；

；

表示分类器 的识别结果， 表示分类器 的识别结果，m表示其中最大值的下标， 表示 的软标签预测，表示平均相似概率；

S7、计算自预测损失，自预测损失的表达式为：；

S8、通过最小化最终的损失优化目标域编码器 ；

S9、当在目标域中的识别准确率较低时，利用迁移学习中的微调技术，即利用少量目标域中的标记样本使模型更好的适应新场景；将预训练的模型的参数重新加载，分类器中的全连接层和Softmax层的权重被更高的学习率重新训练。

2.根据权利要求1所述的一种基于双重对抗网络的跨环境人体活动识别方法，其特征在于，所述S1中，滤波器信号去噪具体为：使用hampel滤波器去除远离数据流趋势的离群点；通过六阶巴特沃斯低通滤波器去除高频噪声；采用Daubechies8小波抑制频率带内的环境噪音。

3.根据权利要求1中所述的一种基于双重对抗网络的跨环境人体活动识别方法，其特征在于：所述S2中，虚拟样本生成方法为，采用自注意力机制对活动特征赋予更多的权重，具体做法如下述公式：；

；

其中 表示全连接层， 表示生成器前4层卷积神经网络的输出， 表示相应层的权重；最后生成的虚拟样本如下表示：；

其中 是第2层卷积层生成的特征图；

在学习生成器与鉴别器的映射时，要求 并且 ；采用下述循环一致性损失，使网络更加稳定；循环一致性损失定义为：。

4.根据权利要求1所述的一种基于双重对抗网络的跨环境人体活动识别方法，其特征在于：所述S4中，利用未标记目标域样本 的判别信息，减少一致性损失：；

其中， 表示 L1‑范数， 是一个批次内目标域样本的数量， 是分类器 和的输出维度。

5.根据权利要求1所述的一种基于双重对抗网络的跨环境人体活动识别方法，其特征在于：所述S4中，计算交叉熵损失函数时，使用单热标签与一个均匀分布的加权混合，具体公式为；

其中，代表域标签； 是一个平滑参数。

6.根据权利要求1所述的一种基于双重对抗网络的跨环境人体活动识别方法，其特征在于：所述S4中，定义三元组损失函数，随机选择P个活动，并为每个活动随机选择K条数据，三元组损失表述为；

；

其中 表示第 个样本的锚、 表示第 个样本的正样本， 表示第 个样本的负样本； 是三元组损失的边界参数，如果设置的太小，会导致正负样本难以区分。

7.根据权利要求1所述的一种基于双重对抗网络的跨环境人体活动识别方法，其特征在于：所述S8中，最终的损失函数为；

；

其中， ， ， ， 分别表示一致性损失、对抗损失、三元组损失、自预测损失函数的权重。

8.根据权利要求1所述的一种基于双重对抗网络的跨环境人体活动识别方法，其特征在于：所述S9中定义交叉熵损失函数：；

其中 表示少量标记的目标域数据。