1.一種基于雙網(wǎng)絡的csi室內(nèi)位置分類和行為識別方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的基于雙網(wǎng)絡的csi室內(nèi)位置分類和行為識別方法，其特征在于，在獲取室內(nèi)位置數(shù)據(jù)集以及對應的行為姿態(tài)數(shù)據(jù)集之后，采用hampel濾波對所有數(shù)據(jù)集進行去除異常值和噪聲處理，同時采用滑動窗濾波動態(tài)重復讀取進行數(shù)據(jù)增強處理以實現(xiàn)數(shù)據(jù)集的擴充。
3.根據(jù)權(quán)利要求1所述的基于雙網(wǎng)絡的csi室內(nèi)位置分類和行為識別方法，其特征在于，所述resnet-densenet并聯(lián)網(wǎng)絡包括并聯(lián)的resnet34和densenet121網(wǎng)絡；將第一室內(nèi)位置數(shù)據(jù)集輸入至resnet-densenet并聯(lián)網(wǎng)絡進行特征提取，并經(jīng)過contact特征拼接融合以獲得第一位置概率作為resnet-densenet并聯(lián)網(wǎng)絡的輸入數(shù)據(jù)。
4.根據(jù)權(quán)利要求1所述的基于雙網(wǎng)絡的csi室內(nèi)位置分類和行為識別方法，其特征在于，將行為姿態(tài)數(shù)據(jù)集中的20％～30％的樣本輸入至訓練好的resnet-densenet并聯(lián)網(wǎng)絡以實現(xiàn)網(wǎng)絡訓練和特征提取，獲得某個姿態(tài)的概率，從而輸出行為姿態(tài)識別結(jié)果；其中，在進行網(wǎng)絡訓練和特征提取前，訓練好的resnet-densenet并聯(lián)網(wǎng)絡已解凍全連接層的參數(shù)且其他層的參數(shù)保持不變。
5.根據(jù)權(quán)利要求1所述的基于雙網(wǎng)絡的csi室內(nèi)位置分類和行為識別方法，其特征在于，將第二室內(nèi)位置數(shù)據(jù)集中20％～30％的樣本輸入至訓練好的resnet-densenet并聯(lián)網(wǎng)絡以實現(xiàn)網(wǎng)絡訓練和特征提取，獲得某個位置的概率，從而輸出其他房間的位置分類結(jié)果；其中，在進行網(wǎng)絡訓練和特征提取前，訓練好的resnet-densenet并聯(lián)網(wǎng)絡已解凍全連接層的參數(shù)且其他層的參數(shù)保持不變。
6.根據(jù)權(quán)利要求1所述的基于雙網(wǎng)絡的csi室內(nèi)位置分類和行為識別方法，其特征在于，所述第一房間為客廳房間，所述其他房間包括臥室、廚房、衛(wèi)生間和餐廳；按照網(wǎng)格對客廳房間的位置點以及其他房間的位置點分別進行采集；所述行為姿態(tài)數(shù)據(jù)集包括站立、下蹲、彎腰、原地踏步、原地跳和坐下行為姿態(tài)csi數(shù)據(jù)。
7.根據(jù)權(quán)利要求1所述的基于雙網(wǎng)絡的csi室內(nèi)位置分類和行為識別方法，其特征在于，其中，csi數(shù)據(jù)表示為：
8.一種基于雙網(wǎng)絡的csi室內(nèi)位置分類和行為識別系統(tǒng)，用于實現(xiàn)權(quán)利要求1-7任一項所述基于雙網(wǎng)絡的csi室內(nèi)位置分類和行為識別方法的步驟，其特征在于，包括：
9.一種設備，其特征在于，包括：
10.一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)存儲有計算機程序，其特征在于，所述計算機程序被處理器執(zhí)行時用于實現(xiàn)權(quán)利要求1-7任一項所述基于雙網(wǎng)絡的csi室內(nèi)位置分類和行為識別方法的步驟。