何荣钦 胡鹏 冯金鹿

（第七一五研究所，杭州，310023）

对水声目标、杂波进行分类在渔业生产、海洋信息产业、科学调查研究以及国防军事中有着重要作用[1]，可以更好的从杂波中将目标区分出来，为后续声呐信息处理提供重要帮助[2]。水声目标的识别总体框架一般包括目标获取、特征提取、分类识别三大部分。在目标获取部分，海洋试验不够多，一般数据积累较少，优质数据集不容易获取。特征提取部分，常规特征提取较成熟，基本上能够反映目标真实特性[3]。

传统的水声目标和杂波的分类是通过人工观察声呐画面来区分，将杂波剔除，选择目标。因此仅停留在表面特征上，工作量大，不能很好的完成分类工作。人工智能分类方法可以提高分类准确率和自动化。当水声数据集样本中目标数量较少、杂波较多时，采用一种能够适应不平衡数据集的方法尤为重要。集成方法的基分类器相对简单，通过boost 之后又能表现出很好的效果，且对样本集数量没有太大要求。本文采用AdaBoost 和RusBoost 方法，对数量有限的不平衡水声目标数据进行交叉验证实验，对比分析两类算法识别效果。

1 Adaboost 算法

Boost 是一类可将弱学习器提升为强学习器的算法[4]。先从训练集训练出一个基学习器，再根据基学习器的表现对样本分布进行调整，使得先前基学习器做错的训练样本在后续受到更多关注，然后基于调整后的样本分布来训练下一个基学习器。如此循环进行，直至基学习器数目达到事先指定的值T，最后将T个基学习器进行加权结合。……