1.基于雷达信号的深度学习手势识别方法，其特征在于，包括以下步骤：步骤一、设计手掌前推、后拉、左摆、右摆、前后推拉和左右挥动六个手势动作，并且利用调频连续波(Frequency Modulated Continuous Wave，FMCW)雷达采集训练和测试手势数据集的雷达源数据文件生成原始的中频信号矩阵A；

从原始中频信号矩阵A中提取某一发射天线和接收天线对应的帧信号矩阵Fk；

步骤二、构造汉明窗Whanming，并将其与帧信号矩阵Fk进行旁瓣抑制处理得到帧信号矩阵Fk′；

步骤三、将帧信号矩阵Fk′的每一列信号Fk′c进行傅里叶变换生成距离信号矩阵Sk；

步骤四、根据距离信号矩阵Sk中的频率分量计算信号所表示的实际距离，得到信号幅值矩阵Rk；

步骤五、将帧信号矩阵Sk的每一行行矩阵信号Skr进行傅里叶变换，生成速度信号矩阵S′k；

步骤六、根据速度信号矩阵S′k中频率分量计算信号所表示的实际速度，得到信号幅值矩阵R′k；

步骤七、计算信号序列B中各帧信号{B1  ... Bi  ... Bf}(1≤i≤f)包含手势速度和距离信息的幅值矩阵(R1 R2 ... Rf)；

步骤八、将生成的幅值矩阵(R1 R2  ... Rf)预处理为深度学习网络的输入数据Xinput，并初始化网络权重；

步骤九、将输入信号矩阵Xinput进行卷积池化操作获取初步的浅层特征结果，得到池化矩阵Pool1；

步骤十、将池化矩阵Pool1重复步骤九中的卷积核池化操作，设置卷积核个数nkernel2，得到表示特征图的池化结果Pool2；

步骤十一、对池化结果Pool2进行进一步的卷积池化，提取深度特征结果，得到池化矩阵Pool3；

步骤十二、将Pool3按照步骤十一重复两次进行卷积核池化操作，得到nkernel5个f′×m′×n′维的特征映射图Pool5；

步骤十三、将nkernel5个f′×m′×n′维的特征映射图Feat5维度转置得到s1×s2维的特征向量Xfeature；

步骤十四、设置长短期记忆网络(Long Short-Term Memory，LSTM)的输入层为上一步骤中时间步长为s1输入维数为s2的特征向量Xfeature，令X＝Xfeature，其中X的步长为s1，长短期记忆网络结构图如图9；

步骤十五、根据长短记忆网络的输入X，计算网络中输入门I、忘记门F、输出门O和候选隐藏状态G；

步骤十六、同过LSTM各个门计算网络隐层中最后一步的h×1维隐藏状态Ss1，并作为特征结果X′feature；

步骤十七、将最终形如X′feature＝[x1 x2 ... xh]T的特征结果送入归一化指数函数进行计算结果矩阵Xres，得到结果矩阵中值最大的角标y′＝max(Xres)，结果矩阵Xres的K个标量中第j个值表示中频信号矩阵A被三维卷积神经网络模型判别为第j类手势的概率，y′表示中频信号矩阵A被判别为某一类手势的结果；

步骤十八、根据网络判断的结果分类y′，计算分类结果的损失函数J(θ)，并根据此分类函数对网络中的权重进行更新；

步骤十九、将测试手势数据集输入到步骤十八得到的深度学习网络中分类，得到手势分类结果y′。

2.根据权利要求1所述的基于雷达信号的深度学习手势识别方法，其特征在于将生成的幅值矩阵(R1 R2  ... Rf)预处理为深度学习网络的输入数据Xinput，利用三维卷积神经网络提取幅值矩阵中的手势特征。

3.根据权利要求1或2所述的基于雷达信号的深度学习手势识别方法，其特征在于根据输入信号X，使用长短记忆网络计算连续手势中的序列信息，所述步骤十五包括以下步骤：

15.1随机初始化步长为s1的X中第一步X1的状态变量为Sstate，设置网络中隐层LSTM单元节点数为h；

15.2计算X总步长为s1中每一步的输入门I、忘记门F和输出门O并求其隐层状态S，其中X的第t步计算结果具体形式如下：其中St-1为第t-1步的状态 变量，Ui、Wi、Uf、Wf、Uo和Wo为随机初始化的权重矩阵；

15.3计算候选隐藏状态G＝tanh(XtUg+St-1Wg)，内部存储器的细胞状态Ct＝Ct-1×F+G×g gI，以及第t步的输出隐层状态为St＝tanh(Ct)×O，其中U和W为随机初始化的权重参数。