1.一种基于支持向量机的LED照明智能控制方法，其特征在于，所述方法包括如下步骤：步骤一：对于当前光环境的数据采集，实现方式如下：利用传感器测量得到当前光环境的光照度指标值Lxi以及色温指标值Ki，其中i＝(1,

2,...)表示第i次的测量结果，把测量结果保存在光环境指标矩阵M＝[Lx,K]中；

步骤二：样本数据的预处理，包括基于LOF算法的光环境指标异常值的剔除、传感器数据和标准仪器间的数据校准、数据的归一化处理以及光环境评价等级的划分：步骤三：支持向量机的训练与测试，实现方式包括如下步骤：步骤3.1：将样本数据库分为m与n组，分别建立如下两组数据集：训练集Train＝{(M1,l2),(M2,l2),...,(Mm,lm)}T测试集Test＝{(M1,l2),(M2,l2),...,(Mn,ln)}T其中M表示光照度数据和色温数据向量，l表示光环境等级，也就是标签向量；

步骤3.2：根据光环境等级的级数O，采用O-1层的支持向量机模型，步骤如下：步骤3.2.1：令初始变量λ＝1，

步骤3.2.2：将训练集分为两类，其中l＝λ为一类，l＝λ+1,λ+2,...,O为另一类，得到训练集 其中步骤3.2.3：构造并求解约束最优化问题:

0≤αi≤C,i＝1,2,...,l       (19)求得最优解： 其中α＝(α1,α2,...,αl)T是拉格朗日乘子向量；

步骤3.2.4：计算高维空间中分类超平面的法向量值：*

步骤3.2.5：选择α的一个正分量 计算高维空间中分类超平面的截距值：步骤3.2.6：构造分类决策函数:

步骤3.2.7：核函数的选择,这里选取高斯核函数：K(x,x')＝exp{-γ||xi-xj||2},γ＞0     (23)步骤3.2.8：最优C,g参数的选择：采用交叉验证的方法在[-10,10]区间内以0.01为步长进行遍历，来选取支持向量机分类器的预设参数，重复交叉m次，选择分类准确率最高的C和g作为最优C,g参数；

步骤3.2.9：通过分类决策函数fλ(x)将光环境等级为λ级的光照色温数据分出来，当f1(Mi)＝1时表示第i组光照、色温数据对应的光环境等级分类结果为λ级，当f1(Mi)＝-1时表示其分类结果为第λ+1级到第O级之间的某个；

步骤3.2.10：判断λ是否和O-1相等，如果不相等，则令λ＝λ+1，返回步骤3.2.2；如果相等，则所有的光环境等级分类已完成；

步骤四：基于健康照明的光环境数据库的建立；

步骤五：控制光照、色温数据输出，包括健康标准的判断和调光方案的输出，步骤如下：步骤5.1数据健康度的判断

利用步骤4.1的光照度数据、色温数据的健康标准对当前环境光照、色温数据进行判断：a.如果Lxc≥U&V1≤Kc≤V2，则判断其为符合健康水平，其中Lxc与Kc表示当前的光照、色温数据；

b.如果是其他情况则判断其不符合健康标准；

步骤5.2调光方案的提出,所述调光方案包含如下步骤：步骤5.2.1在某一光环境下，使用传感器测得当前光环境下的照度、色温数据，并且经过步骤2中所述，完成对原始数据的预处理，最终得到输入数据向量：T＝[Lxj,Kj]；

步骤5.2.2将T＝[Lxj,Kj]输入到已经训练好的分类模型中，得到分类结果W；

步骤5.2.3根据分类结果W来进行LED的调光控制；包含以下过程：(1)若分类结果为1级，对T＝[Lxj,Kj]进行步骤5.1健康度判断，若符合健康水平，则不做调光；若不符合健康水平，则在已经建立好的，并且符合健康度标准的光环境数据库中筛选出与T＝[Lxj,Kj]距离最小的调光目标T＝[Lxk,Kk]；

(2)若分类结果为2级、3级、4级，则直接在已经建立好的，并且符合健康度标准的光环境数据库中筛选出与T＝[Lxj,Kj]距离最小的调光目标T＝[Lxk,Kk]；

步骤5.2.4将得到的调光目标T＝[Lxk,Kk]数据进行逆归一化，并且利用步骤2.2中的转换方程，将T＝[Lxk,Kk]转换为传感器目标实测数据；

步骤5.2.5将目标实测数据反馈给单片机，通过单片机与照明设备通过D/A转换模块连接，实现对当前光环境下照度和色温的控制调节；

步骤5.2.6完成步骤5.2.5中的调光后，利用传感器对当前光环境的照度和色温进行测量，重复上述5.2.1-5.2.5，最终实现对光环境的各个指标的及时反馈控制，最终得到符合健康标准的光环境。

2.如权利要求1所述的LED照明智能控制方法，其特征在于，所述步骤二包括以下步骤：步骤2.1基于LOF算法的光环境指标异常值的剔除，包括如下步骤：步骤2.1.1:计算对象T的第J距离，计算公式如下：J-distance(T)＝D(T,O)        (1)上式中的T、O均为集合M＝[Lx,K]中的两个独立对象，J为正整数,D(T,O)为全体样本空间中对象O与对象T之间的距离；

它满足在全体样本空间之中，至少存在J个对象Q，使得D(T,Q)≤D(T,O)并且至多存在J-1个对象Q，使得D(T,Q)＜D(T,O)；

步骤2.1.2计算对象T相对于对象O的可达距离：可达距离的计算公式为：

reachDistJ(T,O)＝max{J-distance(O),D(T,O)}       (2)步骤2.1.3：确定局部可达密度以及局部离群点因子：对象P的局部可达密度为T的J最近邻点的平均可达密度的倒数；

离群点因子则表征了T是离群点的程度：

以上式中的NJ(T)为对象T的第J距离邻域，它表示与对象T之间的距离小于等于J-distance(T)的对象集合；

步骤2.1.4：基于LOF算法对光照色温数据的异常值进行剔除提出的异常值剔除公式如下：

LOFJ(T)＞ξ       (5)

将所有LOFJ(T)＞ξ的值进行剔除，完成异常值剔除步骤。

3.如权利要求2所述的LED照明智能控制方法，其特征在于，所述步骤二还包括以下步骤：步骤2.2传感器数据和标准仪器间的数据校准，建立一元线性回归方程来对两者进行拟合，实现方式包括如下步骤：步骤2.2.1：使用传感器等梯度的对照度数据进行采样，得到并且利用所述步骤2.1中的方法剔除异常值，得到照度数据列Z＝[Lx1,Lx2,...Lxn],同时也用标准仪器来对该光照数据进行采样，得到标准照度数据列C＝[Lx'1,Lx'2,...Lx'n]；

步骤2.2.2：建立两组数据之间的线性关系：Z＝A0+A1C+ε       (6)其中ε＝[ε1,ε1,......εn]，A0,A1为常数，ε是随机扰动项，且有εi～N(0,σ2)，对上式求均值则得到：E(Z)＝A0+A1C；

步骤2.2.3：利用最小二乘方法来确定上述的常数A0,A1；

各点的实际值Z与回归估计值 的离差总体为最小值,即有如下式：使用微分法求上述函数的极值来求解如下两个正规方程：∑Zi＝nA0+A1∑Ci      (8)得到上述常数A0、A1的解有如下的形式：步骤2.2.4利用回归方程建立由传感器测量值到真实值的转换方程和由真实值到传感器测量值的转换方程：传感器照度测量值到照度真实值的转换方程如下：Z＝A0+A1C        (12)照度真实值到传感器照度测量值的转换方程如下：步骤2.2.5使用传感器和标准仪器对色温测量值采样，重复如上步骤2.2.1—2.2.2的操作，完成对传感器测温测量值的校准；

传感器照度测量值到照度真实值的转换方程如下：Z＝A2+A3C        (14)照度真实值到传感器照度测量值的转换方程如下：

4.如权利要求3所述的LED照明智能控制方法，其特征在于，所述步骤还包括以下步骤：步骤2.3数据的归一化的实现方式如下：

对于照度、色温数据取样本的最大值、最小值来进行归一化，采用半升梯形模糊隶属度公式处理：其中xi0表示归一化前的光照/色温数据，xi表示归一化后的第i个光照/色温数据。

5.如权利要求4所述的LED照明智能控制方法，其特征在于，所述步骤二包括以下步骤：步骤2.4光环境评价等级的划分实现方式，包括如下步骤：步骤2.4.1：光环境等级分类

把当前光环境评价等级分为四类，其中四类分别是：(a)当0＜pi≤a1，定义光环境等级为4级；

(b)当a1＜pi≤a2，定义光环境等级为3级；

(c)当a2＜pi≤a3，定义光环境等级为2级；

(d)当a3＜pi≤a4，定义光环境等级为1级；

其中pi为当前光环境得分值，pi∈[0,1]，a1,a2,a3,a4∈(0,1],a1＜a2＜a3＜a4；

步骤2.4.2：根据光环境的等级划分情况得到当前光环境指标数据对应的等级矩阵L＝(l1,l2,...,li,...)T,其中li∈1,2,3,4。

6.如权利要求1～5之一所述的LED照明智能控制方法，其特征在于，所述步骤四中，基于健康照明的光环境数据库的建立，包括如下步骤：步骤4.1 LED照明健康标准的定义，包括如下步骤：步骤4.1.1照度数据健康标准的定义：

定义U lux为国家规定健康照度数据的最低限度，也就是：Lxhealthy≥U       (24)步骤4.1.2色温数据健康标准的定义

定义V1(K)至V2(K)为国家规定的有利于人健康的色温数据的健康范围：V1≤Khealth≤V2        (25)步骤4.2光环境数据库的建立，包括如下步骤：步骤4.2.1样本光环境数据的分类

将所有样本数据输入已训练好的多层次SVM中，得到各组数据的分类结果，将分类结果为1的数据导出，也就是光环境等级为1级的数据步骤4.2.2健康数据筛选

利用步骤4.1中提取的LED照明健康标准对分类结果为1的数据进行筛选，剔除不符合LED照明健康标准的数据，从而得到基于健康照明的光环境数据库。