1.一种基于GA优化PPLN的遥感影像监督分类方法，其特征在于：包括如下步骤：S1、采集遥感图像样本；

S2、从采集到的样本中选择出不同模式的样本，分别构建样本数据集，所述样本数据集的数目即图像分类数目；

S3、确定投影寻踪学习网络的网络结构，所述网络结构的网络输入层节点的数目与遥感图像的波段数相同，每一个节点对应一个波段，网络输出层节点数目与图像分类数目相同，隐层均采用Hermite多项式函数作为平滑器，其中，所述多项式的最高次幂根据图像分类数目而定；

S4、利用输入输出样本数据集训练投影寻踪学习网络，并确定投影寻踪学习网络的状态，以实现给定的输入输出映射关系；其中，所述投影寻踪学习网络中的所有参数的训练是所述投影寻踪学习网络将所有参数以隐层节点为中心进行分组，从第1个隐层节点的输入权值、输出权值开始，依次训练各隐层节点的输入权值、输出权值；

在训练所有参数的过程中，当新增隐层节点时，采用遗传算法计算输入权值、平滑函数的系数以及输出权值的初值，所述初值的计算过程，包括如下步骤：S41、确定当前节点子组参数的分布范围，输入权值与输出权值的取值区间为[-1,1]之间；

S42、通过遗传算法选择若干个具有全局性的进化解作为子组参数的初值，具体的选择过程，包括如下步骤：S421、为求解输入权值最小值，建立最小化问题表达式：

S422、优化变量的实数编码：

采用如下线性变换公式：

α(j)＝a(j)+y(j)(b(j)-a(j)),j＝1,2,…,p,， (2)其中，L

S423、初始父代群体的生成：

设群体规模大小为n，生成n组[－1,1]区间上的均匀随机数，每组有p个，即有{y(i,j)|i＝1,2,…,n；j＝1,2,…,p}，把y(i,j)代入式(2)得优化变量值α(i,j)，将p维向量αS424、适应度评价：

目标函数值L

式中，分母中“0.0001”是经验设置的，以避免F(i)值为0的情况；

S425、选择：

进行选择操作产生第1个子代群体{y1(i,j)|i＝1,2,…,n；j＝1,2,…,p}；

根据适应度函数值，对种群中的每个染色体y(i,j)设定一个概率，使该染色体被选择的可能性与其种群其他的染色体适应性成比例；染色体的适应性越强，被选择的可能性越大；取比例选择方式，则父代个体y(i,j)的选择概率ps(i)为：令

生成n-4个随机数{u(k)|k＝1，2，…，n-4}，若u(k)在(p(i-1)，p(i))中，则第i个个体y(i,j)被选中；这样从父代群体y(i,j)中以概率ps(i)选择第i个个体，共选择n-4个个体，并进行移民操作，把最优秀的4个父代个体直接加进子代群体中，y1(i+n-4,j)＝y(i,j)，i＝1,2,…,4；

S426、杂交：

进行杂交操作产生第2个子代群体{y2(i,j)|i＝1,2,…,n；j＝1,2,…,p}；首先定义杂交参数Pc作为交叉操作的概率，这个概率说明种群中有期望值为PcN个染色体将进行交叉操作；具体杂交操作是根据式(4)的选择概率随机选择一对父代个体y(i1,j)和y(i2,j)作为双亲，从(0,1)中产生一个随机数c，按下列形式在y(i1,j)和y(i2,j)之间进行交叉操作，产生如下两个子代个体y2(i1,j)和y2(i2,j)：S427、变异：

进行变异操作产生第3个子代群体{y3(i,j)|i＝1,2,…,n；j＝1,2,…,p}；定义变异参数Pm作为遗传系统中的变异概率，这个概率说明种群中有期望值为PmN个染色体用来进行变异操作；首先对父代按照适应度函数大小进行排序，然后，由i＝1到N，重复下列过程：从区间[0,1]中产生随机数r，如果r

式中，u(j)(j＝1，2，…，p)为区间[a(j),b(j)]上的随机数，x为(0.8,1.2)上的随机数，若产生的y3(i,j)超过取值区间上下限，则直接父代染色体赋予子代；即对于适应度较差的个体，采用大幅度变异；而适应度较好的个体，采用小幅度变异；

S428、进化迭代：

将前面生成的3n个子代个体，按其适应度函数值从大到小进行排序，取排在最前面的n个子代个体作为新的父代群体；算法转入S424，进入下一轮的选择、杂交和变异计算，直到满足所给定的结束条件时停止优化计算，输出最优输入权值α；

S429、将个体按优劣排序，选择m个具有全局性的进化解，选择时避免相似个体；

S43、分别将m个进化解作为新增节点相关参数的初始解，用投影寻踪学习网络进一步优化子组参数；所述优化子组参数的方法，包括如下步骤：S431、用Gauss-Newton法优化输入权值；

S432、拟合逼近隐层平滑函数，得到优化的多项式系数；

S433、重复步骤S431－S432，进行若干次迭代；

S434、由最新的输入权值和多项式系数，通过如下公式估计输出权值，S435、重复步骤S431－S434，直至损失函数相对误差趋于收敛；

S44、比较由m组初始解，经PPLN进一步优化，得到的网络损失函数LS45、若网络的损失函数L

S5、将待识别的图像输入经步骤S4训练后的投影寻踪学习网络进行识别分类。

2.根据权利要求1所述的一种基于GA优化PPLN的遥感影像监督分类方法，其特征在于，所述S4中的状态包括隐层节点个数、多项式函数、输入权值以及输出权值。

3.根据权利要求1所述的一种基于GA优化PPLN的遥感影像监督分类方法，其特征在于，所述初值为全局最小值。

4.根据权利要求1所述的一种基于GA优化PPLN的遥感影像监督分类方法，其特征在于，所述S5中的识别分类是将待识别图像中每一像素各波段灰度值标准化，作为所述投影寻踪学习网络输入节点的输入向量，通过计算得到输出向量，将所述投影寻踪学习网络的输出结果与每一类期望输出值进行比较，将像素分到误差最小的一类中。