一种基于支持向量机的LED照明智能控制系统及方法与流程

本发明涉及led照明控制领域，特别是一种基于向量机的智能led照明控制系统及控制方法。

背景技术：

在全球能源短缺的大背景之下，可发光半导体元件(led)得到了充分的推广和应用。目前国内外的led照明控制系统都有不少的研究，已经将led照明控制技术应用于各个领域。目前对led照明的控制主要是将灯连接到局域网中，并和电脑等智能终端进行通讯，再同智能设备发送控制命令来控制灯的开启、关闭、调光灯操作。

赵琛在《基于sopc的自适应led照明系统》中该系统可以根led的特性，利用外部环境的温度、光照强度等信息实现对照明效果的优化控制，从而在led达到适宜亮度的同时，尽量减少led的能量损耗，控制工作温度，以改善led照明设备的工作稳定性和灵活性，延长其使用寿命。该自适应调节方法的出发点是led设备的使用方面，完全忽略了使用者的舒适性和健康性，并且只根据测量值直接控制不具有很好的环境适应性。罗娜在《脉冲均分调光的led照明自适应控制模型》中提出了一种自适应的控制led照明系统的方法。她所提出的自适应调光方法中在调控光环境时，针对不同的光环境仅有几个固定的值作为选择。这样的选择在调光精度上面存在一定的不足。刘欢在《基于视觉舒适度led背光亮度自适应控制系统研究》中分析了不同色温、亮度与屏幕亮度均匀性对led背光显示屏视觉舒适度影响，开展了在不同环境亮度与显示屏亮度下的led背光显示屏视觉舒适度测量实验，通过眼动仪测量实验与主观观测评价实验，得出了环境亮度与显示屏亮度对视觉舒适度的影响。在对led照明系统控制方面，照明系统本身无法智能的完成调光的功能，并且不存在闭环反馈，不能保证调光结果的准确度以及系统的稳定性

本文提出的led照明控制系统及方法解决了以上的难题。所提出的系统及方法能够实现灯的智能化控制，通过闭环的反馈功能实现自动的光环境调节。在调光的同时，也结合了人体的健康医学数据，使得调光结果符合健康性的要求。

技术实现要素：

为了解决目前led照明控制精度不足，系统的环境适应性欠缺，没有综合考虑人体医学健康照明数据的问题，本发明提供了一种基于支持向量机的led照明智能控制系统及方法，对调光精度进行了优化，通过闭环的反馈提高了led照明智能控制系统的稳定性，对不同的光环境具有良好的环境适应性，并且结合了医学健康数据，实现对当前的led照明环境进行科学性、智能化的调控。

本发明解决其技术问题所采用的技术方案如下：

一种基于支持向量机的led照明智能控制系统，所述系统包括光照、色温数据传感单元、传感器数据处理与分类单元、脉宽调制控制单元以及led照明驱动单元；

所述光照、色温数据传感单元包括光强度传感器、颜色传感器和单片机模块，所述环境光强度传感器和颜色传感器分别与所述单片机模块通过iic总线相连；

所述传感器数据处理与分类单元包括数据预处理模块和支持向量机分类模块，其中数据预处理模块又分为数值滤波模块、异常值模块以及数据归一化处理模块；

所述脉宽调制控制单元包括单片机模块、信号放大电路，所述单片机模块与所述信号放大电路相连；

所述led照明驱动单元包括dc-dc降压模块、电源模块、场效应管开关控制电路和rgbw全彩led灯具，所述电源模块与所述dc-dc降压模块相连；所述rgbw全彩led灯具相连分别与所述dc-dc降压模块和场效应管开关控制电路相连。

进一步，所述光照、色温数据传感单元通过其包括的环境光强度传感器和颜色传感器对环境光强度和环境光颜色的原始信号进行采集；单片机模块对两模块采集到的原始信号进行处理，从而获取环境光强和环境光色温准确数值。并通过单片机模块对获取的数据给予记录和上传。

所述led照明驱动单元利用其包含的电源模块将市电获取dc电压；在经过dc-dc降压模块将原始电压分别转换为适合灯具中r、g、b、w灯珠工作的直流电压，之后通过场效应管开关控制电路和rgbw全彩led灯具相接。

所述脉宽调制控制单元利用单片机模块获取所需pwm信号，并利用包括的信号放大电路对原始pwm信号给予放大。并将放大后的pwm信号发送至led照明驱动单元中的场效应管开关控制电路控制其rgbw全彩led灯具所发光的属性。

一种led照明智能控制方法，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：

所述步骤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；

所述步骤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)。

对上式求均值则可以得到：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：

所述步骤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；

所述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。

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f^λ(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，包括如下步骤：

步骤4.1led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ulux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。

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。

本发明与现有的led照明智能控制方法相比有以下优点：

1.本发明提出的led智能控制系统及方法具有比较好的调控精度和准确性，对于不同的环境都能表现很好的适应性，并且结合了人体健康照明的数据，可以实现智能化的led控制。

2.使用高斯核函数的多层次svm分类方法，实现了对于四类评价等级的分类，解决了其输入空间线性不可分以及普通svm只能实现二分类的问题。

附图说明

图1是led照明智能控制系统图。

图2是led照明智能控制方法流程图。

图3是局部离群因子检测方法流程图。

图4是多层次支持向量机分类示意图。

图5是调光方案流程图。

具体实施方式

下面结合附图对本发明作进一步描述：

参照图1～图5，一种led照明智能控制系统，并在此系统的基础上提出了一种基于支持向量机的led照明智能控制方法。

所述led照明智能控制系统如附图1所示，包括光照、色温数据传感单元、传感器数据处理与分类单元、脉宽调制控制单元以及led照明驱动单元。

所述光照、色温数据传感单元包括bh1750环境光强度传感器、tcs34725颜色传感器和单片机模块。所述bh1750环境光强度传感器和tcs34725颜色传感器分别与所述单片机模块通过iic总线相连。

所述传感器数据处理与分类单元包括数据预处理模块和支持向量机分类模块，其中数据预处理模块又分为数值滤波模块、异常值模块以及数据归一化处理模块。

所述脉宽调制控制单元包括单片机模块、信号放大电路。所述单片机模块与所述信号放大电路相连。

所述led照明驱动单元包括4路dc-dc降压模块、5v电源模块、4路场效应管开关控制电路和rgbw全彩led灯具。所述5v电源模块与所述dc-dc降压模块相连；所述rgbw全彩led灯具相连分别与所述dc-dc降压模块和4路场效应管开关控制电路相连。

各模块功能为：

所述光照、色温数据传感单元可通过其包括的bh1750环境光强度传感器和tcs34725颜色传感器对环境光强度和环境光颜色的原始信号进行采集；单片机模块对两模块采集到的原始信号进行处理，从而获取环境光强和环境光色温准确数值。并通过单片机模块对获取的数据给予记录和上传。

所述led照明驱动单元可利用其包含的5v电源模块将市电获取dc5v电压；在经过4路dc-dc降压模块将原始5v电压分别转换为适合灯具中r、g、b、w灯珠工作的直流电压，之后通过4路场效应管开关控制电路和rgbw全彩led灯具相接。

所述脉宽调制控制单元利用单片机模块获取所需4路pwm信号，并利用包括的信号放大电路对原始4路pwm信号给予放大。并将放大后的4路pwm信号发送至led照明驱动单元中的4路场效应管开关控制电路控制其rgbw全彩led灯具所发光的属性。

所述led照明智能控制方法如流程图2所示，具体步骤如下：

步骤一：对于当前光环境的数据采集；

步骤二：样本数据的预处理；

步骤三：支持向量机的训练与测试；

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；

所述步骤一包括光照度指标值、色温指标值的数据获取：

利用传感器定时采集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，传感器每隔2s采集一次，用五次采集结果的平均值作为实际保存的数据，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。

为了排除异常数据的干扰，减少模型的训练时间，对数据进行数据预处理，也就是步骤二，所述步骤二包括基于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，异常值剔除则采用了一种基于密度的异常点检测算法：局部离群因子检测方法。

所述步骤2.1基于lof算法的光环境指标异常值的剔除如流程图3所示，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)

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)}

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

如果对象t不是局部离群点，则lofj(t)接近于1，说明对象t的局部可达密度和对象t的局部可达密度相似。对于相反的情况，t是局部离群点的程度越大，那么得到的lofj(t)值就越高，具体提出的异常值剔除公式如下：

lofj(t)＞1.5

将所有lofj(t)＞1.5的值进行剔除，这样就能够准确的发现光照、色温数据中的离群点，再将这种离群点(异常点)从样本中剔除，完成异常值剔除步骤。

所述步骤2.2传感器数据和标准仪器间的数据校准实现方式包括如下步骤：

考虑到实际使用的传感器的测定值和标准的仪器存在一定的误差，必须进行对传感器的校准，来提高调光效果的精确性。考虑到两者之间的关系一般为线性关系，建立一元线性回归方程来对两者进行拟合。拟合方法如下：

步骤2.2.1使用传感器等梯度的对照度数据进行采样，得到并且利用上述步骤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，其中ε＝[ε1,ε1,......εn]，a0,a1为常数，随机扰动项ε是无法直观观测到的随机变量。但是可以认为该随机变量是满足正态分布的，即εi～n(0,σ²)。也就假定ε是零均值，同方差，相互独立服从正态分布的。对上式求均值则可以得到：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。最理想的回归曲线应该从整体上接近标准仪器的实测数据点。也就是散点图中各点的实际值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致来求解如下两个正规方程：

∑zi＝na0+a1∑ci

可以得到上述常数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

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

照度真实值到传感器照度测量值的转换方程如下：

所述步骤2.3数据的归一化的实现方式，包括如下步骤：

步骤2.3.1：光照度数据的归一化

对于照度数据，

提取取样本中的最大数值与最小数值。采用半升梯形模糊隶属度公式处理：

其中lxi0表示归一化前的第i个光照度数据，lxi表示归一化后的第i个光照度数据。

步骤2.3.2：色温数据的归一化

对于色温数据，取样本中的最大数值与最小数值。同样采用半升梯形模糊隶属度公式处理：

其中ki0表示归一化前的第i个色温数据，ki表示归一化后的第i个色温数据。

所述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标签矩阵l＝(l1,l2,...,li,...)^t,其中li∈1,2,3,4。

所述步骤三是支持向量机的训练与测试，支持向量机实际上是一个二分类模型，基本思想是把数据非线性映射到高维的特征空间，在高维特征空间中构造具有低维的最优分类超平面，使得样本数据分开，为了将其应用于光环境评价等级的多类分类情况，构建多层次的支持向量机模型，如附图3所示，其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。

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，具体步骤如下：

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

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

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f^λ(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，包括如下步骤：

步骤4.1led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ulux为国家规定健康照度数据的最低限度，也就是：

lxhealthy≥u

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

步骤4.2目标调光数据库的建立，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级的光照色温数据

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，从而得到目标调光数据库。

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，包括如下步骤：

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

最终要完成对led的调光控制实现对当前光环境的改善，必须得出一个调光方案。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。