1.一种木结构古建筑的缺损度检测系统，其特征在于，包括：若干测量节点和服务器；其中

各测量节点适于采集相应测量数据，并通过相应协调器发送至服务器，即服务器根据相应测量数据给出当前木结构古建筑的缺损度指数、预警策略和期望寿命；

各测量节点适于获取相应温度数据、湿度数据、相对水平倾斜度数据；

所述服务器适于根据相应温度数据、湿度数据、相对水平倾斜度数据计算温度偏离比、湿度偏离比、相对水平倾斜度比；

所述服务器适于根据相应温度偏离比、湿度偏离比、相对水平倾斜度比建立向量；

所述服务器适于根据相应向量构建木结构古建筑缺损度检测模型；

所述服务器适于根据木结构古建筑缺损度模型并结合当前温度数据、湿度数据、相对水平倾斜度数据，给出当前木结构古建筑的缺损度指数和预警策略；以及所述服务器适于根据木结构古建筑缺损度模型预测木结构古建筑的期望寿命；

所述服务器适于根据相应温度数据、湿度数据、相对水平倾斜度数据计算温度偏离比、湿度偏离比、相对水平倾斜度比，即所述温度偏离比为：

所述湿度偏离比为：

所述相对水平倾斜度比为：

其中，Tji为第j组测量节点第i个记录数据的温度值，Hji为第j组测量节点第i个记录数据的湿度值，Sji为第j组测量节点第i个记录数据的水平倾斜度值，T0为温度标准值，H0为湿度标准值，S0为水平倾斜度上限；

获取温度偏离比、湿度偏离比、相对水平倾斜度比在特征中的最佳组合比例，即目标函数为：其中，C1为温度偏离比比例，C2为湿度偏离比比例，C3为相对水平倾斜度比比例，yi为第i个数据的类标记，且yi为‑1时表示木结构古建筑出现损毁；

使用梯度下降法求C，即

C定义为

*

当L(C)最小时，即 趋近0时，迭代所得的C为最优解，α表示步长；

所述服务器适于根据相应温度偏离比、湿度偏离比、相对水平倾斜度比建立向量，即对特征进行量化，即对 进行量化，且量化间隔为0.1，得到所述服务器适于根据相应向量构建木结构古建筑缺损度检测模型，即(1) (2) (j) (M)

建立数据向量：x＝(x ，x ，...，x ，...，x )；

(1) (2) (j) (M)

建立系数向量：w＝(w ，w ，...，w ，...，w )；

构建最优化模型，即

s.t.yi(w·xi+b)≥1‑ξi；

ξi≥0 i＝1，2，......，N；

其中，C0为惩罚系数；xi为第i个训练数据向量；yi为xi的类标记，当yi为‑1时表示木结构古建筑出现损毁，当yi为1时表示木结构古建筑无损；N为训练数据数目；ξ为松弛变量；ξi为第i个训练数据的松弛变量；b为偏置；

*

则最优化模型的解为：w；

*

其中，w 即为最优分类超平面的法向量； 为拉格朗日乘子向量中对偶问题的解的第i个元素。

2.如权利要求1所述的木结构古建筑的缺损度检测系统，其特征在于，所述服务器适于根据木结构古建筑缺损度模型并结合当前温度数据、湿度数据、相对水平倾斜度数据，给出当前木结构古建筑的缺损度指数和预警策略，即获取温度数据、湿度数据、相对水平倾斜度数据在法向量上进行投影后所得到的数据，出现木结构古建筑损毁与木结构古建筑状态正常两个数据类别的均值与方差，即其中，NA为类别y＝1的样本数；NB为类别y＝‑1的样本数；μB为出现木结构古建筑损毁数* *据在w向量轴投影后所得到的数据的均值；μA为木结构古建筑状态正常数据在w 向量轴投*影后所得到的数据的均值；δA为木结构古建筑状态正常数据在w向量轴投影后所得到的数*据的标准差；δB为出现木结构古建筑损毁数据在w向量轴投影后所得到的数据的标准差；

3.如权利要求2所述的木结构古建筑的缺损度检测系统，其特征在于，所述服务器适于根据木结构古建筑缺损度模型并结合当前温度数据、湿度数据、相对水平倾斜度数据，给出当前木结构古建筑的缺损度指数和预警策略，即*

设xA为所有y＝1的样本数据总和，ZA为xA在w向量轴的投影，设当前数据为xc，即*Zc＝wxc；

*

当wxc≤μA+δA时，木结构古建筑危险度V为0；

*

当wxc≥μB‑δB时，木结构古建筑危险度V为1；

*

当μA+δA≤wxc≤μB‑δB时，木结构古建筑危险度V为：其中，H(ZC|ZA)为在给定ZA条件下，ZC的条件熵；

H(μB|ZA)为在给定ZA条件下，μB的条件熵；

木结构古建筑危险度V越小表示木结构古建筑缺损越小，木结构古建筑危险度V越大表示木结构古建筑缺损越大。

4.如权利要求3所述的木结构古建筑的缺损度检测系统，其特征在于，所述服务器适于根据木结构古建筑缺损度模型预测木结构古建筑的期望寿命，即木结构古建筑的预测期望寿命为：P＝(1‑V)P0；

P为当前木结构古建筑在当前危险度V下的预测期望寿命，P0为对当前木结构古建筑为在状态正常时基准估计寿命。