1.一种基于几何语义的遗传规划分类方法，其特征在于：通过对训练过程和预测过程的分离，完成被测试样本的分类；所述训练过程，通过几何语义求解最优个体，并提取该最优个体的分类器公式，将最优个体的分类器公式存储在磁盘中；所述预测过程，调用训练过程中存储在磁盘中的最优个体的分类器公式，通过加载与计算恢复出分类器公式，根据分类器公式输出分类结果，进而实现对个体的分类。2.根据权利要求1 所述的基于几何语义的遗传规划分类方法，其特征在于：所述训练过程包括以下步骤：1.1 初始化过程，根据函数集和终结点集构成个体，然后由个体生成初始化群体；群体中的个体采用层状计算机程序表达，具体由函数集F 和终止符集T 组成；函数集F 包含n 个函数：F ＝{fi/fi＝f 1,f2,…,fn}其中，fi为+,-,×,÷ 数学运算符号或标准数学函数，所述数学运算符号包含+,-,×,÷，所述标准数学函数包含sin，cos，log，exp ；终止符集T 包含m 个终止符：T ＝{ti/ti＝t 1,t2,…,tm}其中，ti为变量或常量；1.2 通过计算每个个体的输出值BJx，确定分类器中各类别的边界值，边界值的确定方法为中心动态边界法，具体表达式为：其中，TR 为训练集样本总数，Pnum为种群个体总数，Dout xmn为个体计算值，x 为训练集中样本类别号；1.3 计算每个个体的适应度fitness，计算公式为：

其中，Rnum为个体分类正确的次数，S num为训练样本个数；1.4遗传操作，遗传操作包括父体的复制、交换、变异操作，交换操作生成的个体TC与变异操作生成的个体TM是父体通过几何语义方式产生的，分别表示为：Tc＝(T 1·TR)+(1-TR)·T2式中，T1，T2为两父体，T R真随机函数；TM＝T+ms·(T R1-TR2)式中，T 为父体，TR1，TR2表示两真随机函数，ms 变异系数；1.5 判断个体是否达到最大迭代次数；若未达到，则重复步骤1.2-1.4 ；从达到最大迭代次数的个体中筛选出最大适应度个体作为最优个体，并提取该最优个体的分类器公式，将分类器公式存储在磁盘上，训练过程结束。

3.根据权利要求2 所述的基于几何语义的遗传规划分类方法，其特征在于：步骤1.2中，边界值的确定方法还包括静态边界法。4.根据权利要求2 所述的基于几何语义的遗传规划分类方法，其特征在于：步骤1.3中，适应度的度量方法包括原始适应度、标准适应度和归一化适应度。5.根据权利要求2 所述的基于几何语义的遗传规划分类方法，其特征在于：步骤1.5中，最优个体分类器公式存储过程中，分别记录交换操作和变异操作过程的信息，通过5 位16 进制数记录随机公式，记录出现的节点，将最优个人的将分类器公式存储为分类器公式输出文件。6.根据权利要求1 所述的基于几何语义的遗传规划分类方法，其特征在于：所述预测过程包括以下步骤：2.1 初始化计算过程，读取个体数据，并检查个体数据的正确性；2.2 对分类器公式进行加载，通过循环调用加载公式，从存储于磁盘的16 进制数据的信息中恢复出最优个体的分类器公式；2.3 分类计算，通过加载出的分类器公式对预测集中的每条记录进行计算，输出分类结果。