1.一种基于BP神经网络的大功率LED寿命预测方法，其特征是包括以下步骤：

步骤1：设置N组恒定温度‑电流双应力组合，N≥2，温度为Tn，电流为In，n＝1，2，...，N，T1＜T2＜…＜TN，I1＜I2＜…＜IN，依次按照N组温度‑电流双应力组合进行加速寿命试验，每组加载P个小时，P≥100；测量出每次加速寿命试验后的LED的光通量φn；

步骤2：由Matlab矩阵随机函数在(‑1，1)之间指定BP神经网络权值和阈值的初值，将光通量维持率及实验加载的温度‑电流双应力作为BP神经网络的训练样本，将试验中加载的温度Tn、电流In以及测得的LED在不同加速时间点对应的光通量φn作为输入，其每个时间点的光通量φn所对应的加速试验累积时间作为输出，即在双应力下的LED寿命t作为输出进行网络训练；

BP神经网络采用小批量梯度下降算法，BP神经网络模型训练的方法是：输入数据从输入层传递给隐含层，隐含层通过权值及激励函数将处理后的结果传递给输出层，将输出层的结果同期望值进行比较，得到误差，再逆推对神经网络中的权值进行反馈修正，将定期产生的相应数据对BP神经网络进行多次训练完成学习；

所述的隐含层的输出为 输出层的节点值

i、j、k分别代表该层的第几个神经元，x1＝Tn；x2＝In，x3＝φ；y1＝t；wij为输入神经元至隐含层神经元连接权值，wjk为隐含层神经元至输出层神经元连接权值，aj为隐含层节点的阈值，bk为输出层节点的阈值，通过BP神经网络计算出LED寿命预测值，将预测值与期望值进行比较，通过计算误差函数 输出层各神经元的偏导数，利用偏导数修正权值w和阈值b，直至全局误差 小于训练误差或学习次数达到最大次数设置，完成网络训练，yj为输

出的结果，yj为期望值；

步骤3：将LED实际的环境温度T、工作电流I以及光通量φ为0.7输入到训练好的BP神经网络模型，预测出LED寿命。

2.根据权利要求1所述的一种基于BP神经网络的大功率LED寿命预测方法，其特征是：步骤1中，加速寿命试验之前，先搭建包括高低温试验箱、直流稳压电源、积分球、电脑的试验平台，在高低温试验箱内部放置LED样品、导热胶片、散热器和固定平台，固定平台上方通过散热器连接导热胶片，LED样品装在导热胶片上，高低温试验箱提供温度Tn，LED样品正负电极经引线连接直流稳压电源，直流稳压电源给LED样品提供电流In，试验后的LED取出冷却再放进积分球内，通过电脑测量得到LED的光通量φn。

3.根据权利要求2所述的一种基于BP神经网络的大功率LED寿命预测方法，其特征是：取c个LED样品，c≥10，将其平均分成d组，每组包含c/d个LED，将一组LED样品都放在散热器上且将c/d个LED串联后连接直流稳压电源。

4.根据权利要求3所述的一种基于BP神经网络的大功率LED寿命预测方法，其特征是：先加载第一组恒定温度‑电流双应力：在温度T1、电流I1下进行P个小时的加速寿命试验，每进行q个小时的连续加载后，q≥10，将这一组LED样品都取出测量其光通量，测量完毕后，将这组LED样品再放入到高低温试验箱内进行连续的q小时加载，加载完毕后再将LED取出测量其光通量，以此类推直至试验加载时间累积到P个小时即停止这组试验；其余的N‑1组加载试验方法和第一组相同，获得了温度Tn、电流In双应力下测得的LED在不同加速时间点对应的光通量φn。

5.根据权利要求1所述的一种基于BP神经网络的大功率LED寿命预测方法，其特征是：步骤2中，对温度Tn、电流In以及测得光通量φn进行归一化处理后再建立BP神经网络预测模型。

6.根据权利要求5所述的一种基于BP神经网络的大功率LED寿命预测方法，其特征是：BP神经网络预测模型中的BP神经网络的输入层的神经元个数为3个，输出层的神经元个数为1个，隐含层神经元数为7，隐含层的神经元采用S型变换函数，输出层为线性变换函数。