1.入睡环境调光优化方法，包括以下步骤：

S1、初始化，在控制单元中建立动态递归Elman神经网络，所述神经网络以阅读面光的照度、色温等2个光色参数作为输入量，以用户眼睛开度变化率、闭眼持续时长变化率、心率变化率、体动频率变化率、体温变化率共5个体征参数作为入睡效率参数并将所述入睡效率参数作为输出量；

S2、通过控制单元的输出模块向可调光灯组发出调光信号，对各变化后的光环境，通过光色识别单元采集并识别阅读面光的照度、色温和颜色等光色参数，通过入睡识别单元及控制单元采集并识别用户眼睛开度变化率、闭眼持续时长变化率、心率变化率、体动频率变化率、体温变化率等体征参数，记录所述光色参数值及对应的所述体征参数值，获取神经网络的训练样本；

S3、重复进行步骤S2多次，获取所述动态递归Elman神经网络的训练样本集，并用样本集对所述神经网络进行训练；

S4、确定将阅读面照度、色温等光色参数进行编解码的策略，并确定其各自取值区间，初始化进化群体；

S5、针对搜索空间内进化群体中的各个体，基于其光色参数用训练后的神经网络对其对应的入睡效率参数进行预测，获得用户眼睛开度变化率、闭眼持续时长变化率、心率变化率、体动频率变化率、体温变化率5个预测值；

S6、基于所述预测值，按建立的评价函数F计算其入睡效率评价值，并根据评价值进行遗传交叉和变异操作，更新进化群体；

S7、转至步骤S5，反复迭代，直至寻优结束后，输出Pareto优化解；

S8、将优化解映射为灯组各驱动电流通道的驱动电流值，并将所述电流值传送给灯组内相应的驱动器进行调光。

2.根据权利要求1所述的入睡环境调光优化方法，其特征在于，所述动态递归Elman神经网络输出量的5个入睡效率参数ki，i＝1,2,3,4,5，按如下方式处理获得：基于入睡识别单元获取各种光照条件下入睡过程中体征参数的变化过程数据并进行记录，对于所记录的每个入睡过程中的体征参数序列中的数据，经滤波和数据融合处理后，对用户闭眼持续时长y1，对其预处理，y1＝max(y1,4)，

然后，先基于如下模型进行离线数据拟合，

y1＝g1(t)＝8·b/exp(4·c·(a-t))+1，再计算闭眼持续时长变化率，

kec＝k1＝t2-t1，其中t1＝g1-1(4e-1),t2＝g1-1(4-4e-1)；

对用户眼睛开度、心率、体动频率、体温中的每个体征参数，对其归一化处理后，先分别基于如下模型进行离线数据拟合，y2＝g2(t)＝2·b/exp(4·c·(t-a))+1，再计算其各自变化率，

-1 -1 -1 -1

ki＝t2-t1，其中t1＝g2 (1-e ),t2＝g2 (e )，i＝2,3,4,5；

其中，y1、y2为体征参数预处理或归一化后的取值，t为时间，a、b、c为待拟合系数，ki(i＝2,3,4,5)分别对应眼睛开度变化率keo、心率变化率kh、体动频率变化率kb、体温变化率kp。

3.根据权利要求2所述的入睡环境调光优化方法，其特征在于，所述步骤S6中的所述评价函数定义为：其中，fi分别为对应用户眼睛开度、闭眼持续时长、心率、体动频率、体温5个因素的入睡效率评价值，wi为其对应的权值，各fi的定义如下：其中，keoT为眼睛开度变化率阈值，kecT为闭眼持续时长变化率阈值，khT1、khT2分别为心率变化率设定区间的两个端点阈值，khT3为设定的心率变化率区间宽度值，kbT为体动频率变化率阈值，kpT1为体温变化率阈值，kpT2为体温变化率区间宽度设定值。

4.根据权利要求1所述的入睡环境调光优化方法，其特征在于：所述入睡识别单元包括图像采集模块、可佩带模块和入睡判断模块，所述图像采集模块采用深度相机进行图像采集，所述步骤S2包括如下处理过程：

所述入睡判断模块中的图像处理部对用户眼睛开度进行持续检测，心率计算部、体动频率计算部及体温计算部则基于可佩带模块获取的人体传感信号计算出心率、体动频率及体温，入睡判断模块中的数据融合处理部，对图像处理部、心率计算部、体动频率计算部及体温计算部输出的体征参数进行数据融合，消除数据集中不一致的部分，所述图像采集模块采用深度相机，所述入睡识别单元还根据图像处理部的处理结果，转动支撑所述相机的云台，使相机对准用户脸部。

5.根据权利要求3所述的入睡环境调光优化方法，其特征在于：所述灯组为有w个驱动电流通道的LED灯组，其通过驱动器调节灯组内各LED灯的驱动电流值，所述调光信号、驱动电流值均为LED灯驱动电流的PWM波占空比数值，定义一个入睡过渡时长tsl为从该按键被按下开始计时至眼睛持续闭眼持续时长超过1分钟的时间长度；

步骤S1中，所述神经网络输入量增加3个，以阅读面光的照度、色温、颜色xyz色坐标值共5个光色参数作为输入量；所述神经网络输出量增加所述入睡过渡时长；

所述步骤S1中还增加以下处理过程：

建立一个用于将优化解映射为灯组各驱动电流通道的驱动电流值的BP神经网络，所述BP神经网络也以所述5个光色参数作为输入量，但以w个驱动电流通道的电流值作为输出量，所述步骤S2中还增加以下处理过程：

发出所述调光信号时，记录调光所对应的w个驱动电流通道的驱动电流值，所述电流值及调光后采样获得的光色参数共同形成BP神经网络的训练样本，所述步骤S3中还增加以下处理过程：

获取BP神经网络的训练样本集，并用样本集对BP神经网络进行训练；

所述步骤S6中的所述评价函数中相应增加一个入睡过渡时长评价值f6，其中，tslT1和tslT2分别是两个入睡过渡时间的阈值；

所述步骤S8的优化解映射通过所述BP神经网络进行。

6.根据权利要求1～5任何一项所述的入睡环境调光优化方法，其特征在于，所述动态递归Elman神经网络的模型为：xck(t)＝xk(t-mod(k,q)-1)，

其中，mod为求余函数，f()函数取为sigmoid函数；xck(t)为承接层输出，xj(t)为隐含层输出，ui(t-1)和yh(t)分别为输入层输入和输出层输出，wj、wjk和wji分别为隐含层到输出层的连接权值、承接层到隐含层的连接权值和输入层到隐含层的连接权值，θh和θj分别为输出层和隐含层阈值；k＝1,2…m，q为所选定的回归延时尺度，根据采样周期优选；j＝1,2…m，i＝1,2,…n，隐含层及承接层节点数m可以在12～25之间选择；h＝1,2…5；

所述训练采用梯度下降法。

7.入睡环境调光优化方法，包括以下步骤：

S1、初始化，在控制单元中建立动态递归Elman神经网络，所述神经网络以灯组中u个LED串的驱动电流、及v个照射角度，共w个照明参数作为输入量，以用户眼睛开度变化率、闭眼持续时长变化率、心率变化率、体动频率变化率、体温变化率共5个入睡效率参数作为输出量；

S2、通过控制单元的输出模块向可调光灯组发出调光信号，对变化后的光环境基于调光信号和入睡识别单元获取所述动态递归Elman神经网络的训练样本；

S3、重复进行步骤S2多次，获取所述神经网络的训练样本集，并用样本集对所述神经网络进行训练；

S4、确定将w个照明参数进行编解码的策略，并确定其各自取值区间，初始化进化群体；

S5、针对搜索空间内进化群体中的各个体，基于其w个照明参数及当前持续学习时间用训练后的动态递归Elman神经网络对其入睡效率参数进行预测，获得用户眼睛开度变化率、闭眼持续时长变化率、心率变化率、体动频率变化率、体温变化率共5个预测值；

S6、基于所述预测值，按建立的评价函数F计算其入睡效率评价值，并根据评价值进行遗传交叉和变异操作，更新进化群体；

S7、转至步骤S5，反复迭代，直至寻优结束后，输出Pareto优化解；

S8、将优化解所对应的各驱动电流通道驱动电流值、及照射角度，传送给灯组内的驱动器进行调光。

8.入睡环境调光优化方法，包括以下步骤：

S1、初始化，在控制单元中建立动态递归Elman神经网络，所述神经网络以阅读面光的照度、色温、颜色xyz色坐标值等5个光色参数及入睡持续时间共6个参数作为输入量，以用户眼睛开度变化率、闭眼持续时长变化率、心率变化率、体动频率变化率、体温变化率共5个体征参数作为入睡效率参数并将所述入睡效率参数作为输出量；

S2、通过控制单元的输出模块向可调光灯组发出调光信号，对各变化后的光环境，通过光色识别单元采集并识别阅读面光的照度、色温和颜色等光色参数，通过入睡识别单元及控制单元采集并识别用户眼睛开度变化率、闭眼持续时长变化率、心率变化率、体动频率变化率、体温变化率等体征参数，记录所述光色参数值及对应的所述体征参数值，获取神经网络的训练样本；

其中，每个训练样本的参数按如下处理过程获取：

对用户眼睛开度持续检测，当发现眼睛开度值在一设定时间长度内连续小于入睡初始阶段眼睛开度值的(1-Δ％)倍时，将当前时间作为入睡持续时间的计时零点，所述Δ可取5至10之间的整数，所述用户眼睛开度变化率keo、闭眼持续时长变化率kec、心率变化率kh、体动频率变化率kb、体温变化率kp这5个体征参数均通过滑动平均滤波计算，如对于眼睛开度变化率，keo|t＝u＝ave(dEOu-2,dEOu-1,dEOu,dEOu+1,dEOu+2)，其中，ave为均值函数，dEOu为u时刻与上一时刻眼睛开度值之差；

S3、重复进行步骤S2多次，获取所述动态递归Elman神经网络的训练样本集，并用样本集对所述神经网络进行训练；

S4、确定将阅读面照度、色温等光色参数进行编解码的策略，并确定其各自取值区间；

S5、针对搜索空间内进化群体中的各个体，基于其光色参数用训练后的神经网络对其对应的入睡效率参数进行预测，获得用户眼睛开度变化率、闭眼持续时长变化率、心率变化率、体动频率变化率、体温变化率5个预测值；

S6、基于所述预测值，按建立的评价函数F计算其入睡效率评价值，并根据评价值进行遗传交叉和变异操作，更新进化群体；

S7、转至步骤S5，反复迭代，直至寻优结束后，输出Pareto优化解；

S8、将优化解映射为灯组各驱动电流通道的驱动电流值，并将所述电流值传送给灯组内的驱动器进行调光。

9.入睡环境灯具调控方法，包括以下步骤：

S1、初始化，在控制单元中建立BP神经网络，所述神经网络以阅读面照度、色温、颜色的xyz色坐标值共5个光色参数作为输入量，以照明灯组的w个驱动电流通道的电流值作为输出量；

所述BP神经网络的模型为：

隐含层层第j个节点输出为

输出层第p个节点输出为

其中，f()函数取为sigmoid函数，wij和vjp分别为输入层到隐含层的连接权值和隐含层到输出层的连接权值，aj和bp分别为隐含层和输出层阈值，k为隐含层节点数；

S2、通过控制单元的输出模块向可调光灯组发出调光信号，记录调光所对应的w个驱动电流通道的驱动电流值，并且对变化后的光环境基于光色识别单元进行信号采集与处理，获取所述BP神经网络的训练样本；

S3、重复进行步骤S2多次，获取所述BP神经网络的训练样本集，并用样本集基于梯度下降法对BP神经网络进行训练；

S4、在现场环境中，经训练的BP神经网络将经优化处理所搜索到的具有高入睡效率的光色参数映射为灯组各驱动电流通道的驱动电流值。