1.一种基于神经网络的LED植物照明驱动装置，其特征在于：所述基于神经网络的LED植物照明驱动装置包括1个可控电流源、j个电子开关S1至Sj和1个神经网络控制器，j为正整数，所述可控电流源的输出电流Io满足Io＝f(ic)，ic为控制信号，f()为输出电流函数，所述电子开关S1至Sj依次串联，电子开关S1的第一端口与可控电流源的正端相连，电子开关Sj的第二端口与可控电流源的负端相连；

所述电子开关S1至Sj分别与植物照明用LED芯片LED1至LEDj并联，电子开关S1至Sj的第一端口分别与植物照明用LED芯片LED1至LEDj的阳极相连，电子开关S1至Sj的第二端口分别与植物照明用LED芯片LED1至LEDj的阴极相连；

当电子开关S1至Sj导通时，植物照明用LED芯片LED1至LEDj接出；当电子开关S1至Sj关断时，植物照明用LED芯片LED1至LEDj接入；

按颜色C1至Cn对植物照明用LED芯片LED1至LEDj进行划分，具有颜色C1至Cn的植物照明用LED芯片总数分别为Nt_C1至Nt_Cn，满足Nt_C1+···+Nt_Cn＝j，n为正整数；

所述神经网络控制器利用其内部的神经网络模型调节控制信号ic和植物照明用LED芯片接入数N_C1至N_Cn，使得LED植物照明驱动装置的工作状态和来自于外部的光强信息In和归一化光谱成分信息 匹配，其中，λ为波长，0≤N_C1≤Nt_C1至0≤N_Cn≤Nt_Cn。

2.如权利要求1所述的基于神经网络的LED植物照明驱动装置，其特征在于：所述神经网络控制器包括电流控制单元、神经网络运算器、译码器和缓冲器；

所述神经网络运算器接收来自于外部的归一化光谱成分信息 再根据其内部的神经网络模型计算出对应颜色C1至Cn的植物照明用LED芯片接入数N_C1至N_Cn以及标准光强信息Ins；

所述电流控制单元接收来自于神经网络运算器的标准光强信息Ins，根据来自于外部的光强信息In和标准光强信息Ins之间的差值以及可控电流源输出电流函数f()的特点给出控制信号ic，通过调整可控电流源的输出电流Io使得植物照明用LED芯片LED1至LEDj的工作状态满足光强信息In的要求；

所述译码器接收来自于神经网络运算器的植物照明用LED芯片接入数N_C1至N_Cn，并将它们转化成电子开关S1至Sj的控制信号C_S1至C_Sj；

所述缓冲器接收来自于译码器的控制信号C_S1至C_Sj，并按照设定的时序控制电子开关S1至Sj的开关状态，使得植物照明用LED芯片LED1至LEDj的工作状态满足植物照明用LED芯片接入数N_C1至N_Cn的要求。

3.如权利要求1或2所述的基于神经网络的LED植物照明驱动装置，其特征在于：所述神经网络控制器内部神经网络模型的建立或更新由“光配方”标准库、误差最小化新样本生成器和神经网络模型训练器完成；

所述“光配方”标准库包括原始样本库和新样本库，原始样本库中的原始数据由实验直接获得，而新样本库中的新数据则在原始样本库的基础上间接获得；

所述误差最小化新样本生成器接收新的标准归一化光谱成分信息 然后从原始样本库中找到与其误差最小的原始标准归一化光谱成分信息 及其他相关原始数据，最后采用以新的标准归一化光谱成分信息 替换原始标准归一化光谱成分信息 但保留其他相关原始数据的方法产生新数据并存入新样本库中；

所述神经网络模型训练器采用“光配方”标准库中的数据作为样本对神经网络模型进行训练，并用训练结果建立或更新所述神经网络控制器内部的神经网络模型，所述样本包括植物照明用LED芯片接入数N_C1至N_Cn、标准光强信息Ins和标准归一化光谱成分信息

4.如权利要求3所述的基于神经网络的LED植物照明驱动装置，其特征在于：所述相关其他原始数据包括原始植物照明用LED芯片接入数N_C1_old至N_Cn_old和原始标准光强信息Ins_old，所述新数据包括新的植物照明用LED芯片接入数N_C1_new至N_Cn_new和新的标准光强信息Ins_new，令N_C1_new＝N_C1_old、N_Cn_new＝N_Cn_old和Ins_new＝Ins_old。

5.如权利要求3所述的基于神经网络的LED植物照明驱动装置，其特征在于：所述误差最小化新样本生成器包括地址发生器、误差计算器、比较器、最小误差存储器和误差最小新样本锁存器；

所述地址发生器以遍历的方式连续产生与原始植物照明用LED芯片接入数N_C1_old至N_Cn_old一致的地址信息，并从“光配方”标准库的原始样本库中获取相关的原始标准光强信息Ins_old和原始标准归一化光谱成分信息所述误差计算器计算新的标准归一化光谱成分信息 与原始标准归一化光谱成分信息 之间的当前误差，所述最小误差存储器存储历史最小误差，所述比较器比较当前误差与历史最小误差的大小；

若当前误差小于历史最小误差，则用当前误差更新历史最小误差，同时用对应的原始植物照明用LED芯片接入数N_C1_old至N_Cn_old和原始标准光强信息Ins_old更新误差最小化新样本锁存器中的数据。

6.如权利要求3所述的基于神经网络的LED植物照明驱动装置，其特征在于：所述误差的算式为 或者其中，λ1为波长有效范围的下限，λm为波长有效范围的上限，m为大于1的整数。

7.如权利要求3所述的基于神经网络的LED植物照明驱动装置，其特征在于：所述新的标准归一化光谱成分信息 随机产生或者从现存的“光配方”中提取。

8.如权利要求3所述的基于神经网络的LED植物照明驱动装置，其特征在于：所述神经网络模型训练器采用BP神经网络模型，所述BP神经网络模型的输入为标准归一化光谱成分信息 所述BP神经网络模型的输出为植物照明用LED芯片接入数N_C1至N_Cn和标准光强信息Ins，所述BP神经网络模型包含输入层、隐含层和输出层；

所述输入层包括离散化处理和归一化处理，所述离散化处理将标准归一化光谱成分信息 离散成m个标准归一化光谱成分数据 至 所述归一化处理将m个标准归一化光谱成分数据 至 转换成m个位于[0，1]之间的数值 至

λ1为波长有效范围的下限，λm为波长有效范围的上限，m为大于1的整数；

所述隐含层包括k个节点数据h1至hk ，满足 至

所述fih()为输入层至隐含层的激励函数，所述bi为输入层至

隐含层的偏置，所述wl1至wlk为输入层至隐含层的权重；

所述输出层包含n+1个节点数据N_C1’至N_Cn’和Ins’，满足

至 和 所述fho()为隐含层至输出

层的激励函数，所述bh为隐含层至输出层的偏置，所述vl1至vln+1为隐含层至输出层的权重；

所述输出层还包括反归一化处理，所述反归一化处理将n+1个节点数据N_C1’至N_Cn’和Ins’转换成植物照明用LED芯片接入数N_C1至N_Cn和标准光强信息Ins。

9.如权利要求8所述的基于神经网络的LED植物照明驱动装置，其特征在于：所述激励函数fih()和foh()包括阶跃函数、准线性函数、双曲正切函数和Sigmoid函数。

10.如权利要求8所述的基于神经网络的LED植物照明驱动装置，其特征在于：所述BP神经网络模型训练过程中的均方误差mse满足 或所述 是BP神经网络模

型输入 的离散化数据，所述 观测值是BP神经网络模型输出对应的标准归一化光谱成分信息的离散化数据，所述Ins期望值为BP神经网络模型输入对应的标准光强信息，所述N_C1期望值至N_Cn期望值为BP神经网络模型输入对应的植物照明用LED芯片接入数，所述Ins和N_C1至N_Cn为BP神经网络模型的输出。