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，

其中，用户闭眼持续时长变化率kec计算过程如下：先对所获取的入睡过程中用户闭眼持续时长y1序列预处理，y1＝max(y1,4)，然后，对该序列进行离线数据拟合，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，‑1 ‑1 ‑1 ‑1 ‑1

式中，a、b、c为待拟合系数，t1＝g1 (4e ),t2＝g1 (4‑4e )，g1 ()为函数g1(t)的反函数，e为自然对数函数的底数；

S2、通过控制单元的输出模块向可调光灯组发出调光信号，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神经网络输出量的入睡效率参数ki，i＝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，y2为体征参数预处理或归一化后的取值，t为时间，ki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1～4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，xk()为xj()所组成向量的分量，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。