1.一种基于元学习的无线信号本手势识别方法，其特征在于，包括以下步骤：S1、实验环境部署；

选定三个环境进行实验，三个环境为空旷的会议室、背景杂乱的实验室和半封闭走廊，分别记为环境A、环境B和环境C，在三个环境中各部署一个数据采集装置，该装置包括一个无线信号发射器和一个无线信号接收器，发射器和接收器均为配备有Intel 5300网卡的电脑；

S2、实验数据的采集；

组织m名实验人员坐在发射器和接收器中间，做出实验所需要的手势动作，每个手势动作连续采集n次，从而进行实验数据的采集；

S3、数据预处理；

针对S2中采集到的手势数据，提取其幅值信息，用hampel滤波器进行离群点的检测和删除，再利用离散小波变换进行滤波；

S4、数据集划分；

针对S3中预处理后的数据集，对其按照一定比例进行划分为训练集和测试集，再分别将训练集和测试集中的数据划分为支持集和查询集；

S5、构建MAML‑WCNN‑BiLSTM手势识别模型并进行训练和测试；

在S5中，包括以下子步骤：

S5.1、构建MAML‑WCNN‑BiLSTM手势识别模型，该模型采用MAML算法提供一个元学习器，元学习器用于训练基学习器，基学习器由一个并行的WCNN‑BiLSTM深度神经网络构成，所述WCNN‑BiLSTM深度神经网络包括WCNN层、BiLSTM层、全连接层、特征融合层和随机失活层；所述WCNN层为小波卷积神经网络，其实现方式为将离散小波变换作为池化层嵌入CNN网络中；

S5.2、对MAML‑WCNN‑BiLSTM手势识别模型进行训练，首先从训练集中随机抽取n个独立的元任务，每个元任务包括一个支持集和一个查询集，元学习器将不同的元任务送到基学习器中，由支持集和查询集通过MAML算法完成对基学习器的训练，从而获得一个初始化参数；

S5.3、对MAML‑WCNN‑BiLSTM手势识别模型进行测试，使用测试集中的支持集调整训练好的参数，生成最终的手势识别模型，最后使用测试集中的查询集测试模型得出分类结果。

2.根据权利要求1所述的一种基于元学习的无线信号本手势识别方法，其特征在于，在

2 2

S1中，环境A面积为84m ，其中长为12m，宽为7m；环境B面积为76.5m ，其中长为9m，宽为8.5m；

2

环境C面积为56m，其中长为8m，宽为7m；

发射器和接收器之间相距1.5m且正对放置，两台电脑上各安装上Ubuntu14.04操作系统；发射器和接收器各安装有3根天线，由三脚架调整天线距地面的距离为1.2m；接收端通过USB外接两个小音响，手势动作的绘制通过音响发出开始或结束指令来完成。

3.根据权利要求1所述的一种基于元学习的无线信号本手势识别方法，其特征在于，在S2中，组织六名年龄、身高、体重各不相同的志愿者坐在发射端和接收端中间的板凳上，用右手手指在空中绘制数字0～9以及26个英文字母的大小写形式，总共62类手势动作，每类手势连续采集50次，在一个环境中总共采集到18600个数据；

在采集开始前，实验人员正坐在板凳上，双臂自然垂下；数据开始采集时，音响发出开始指令，实验人员开始在空中做手势动作，在音响发出结束指令前做完整个手势动作，全称保持匀速动作，并且每个动作前后都停留一段时间；一个手势动作的采样周期是4s，做手势动作时间为3.5s，手势类别的笔顺按照书写规范，使实验人员的手势动作保持统一。

4.根据权利要求1所述的一种基于元学习的无线信号本手势识别方法，其特征在于，在S4中，针对采集到的62类手势数据，选取其中46类作为训练集，16类作为测试集；一个支持集包含N‑way K‑shot，N为随机从训练集中抽取的类别数，K为从N类中随机抽取的样本数，N*K个样本构成支持集，每个支持集包含的类别不完全相同，从剩余的N‑K类样本中随机选取若干个样本，构成一个查询集。