纪 雪，唐秋华，陈义兰，李 杰，丁德秋

1.测绘遥感信息工程国家重点实验室，湖北 武汉 430079；2.自然资源部第一海洋研究所，山东 青岛 266061；3.山东科技大学测绘科学与工程学院，山东 青岛 266590

海底底质是一种重要的海底浅层环境信息载体，其类型及分布是海洋空间规划、海洋调查、海洋工程建设、海洋生物栖息地调查、海洋资源开发利用以及海洋科学等研究的重要基础数据[1]。基于多波束声学遥感探测数据，结合一定的底质取样进行海底沉积物分类研究，是近年来迅速发展起来的新型海底底质分类方法，为底质类型划分提供了一种快速而有效的探测手段[2]。

常见的基于多波束的声学底质分类方法概括起来有统计分析[3-5]、图像分析[6]、聚类分析[7]、神经网络[8-10]、支持向量机(support vector machine，SVM)[11]、随机森林[12-15]、深度学习神经网络[16-18]等。目前底质分类模型多采用单一的分类模型，分类性能参差不齐。单一的分类模型不可避免地会存在一定局限，比如对初始参数敏感、泛化能力差、容易受噪声干扰、稳健性不佳等等。Boosting是一种组合单一分类方法的集成学习算法，其理论框架源于PAC(probably approximately correct)学习模型，通过对样本集的操作获得样本子集，然后用弱分类算法(弱分类器)在样本子集上训练生成一系列的基分类器。这种将弱学习方法提升为强学习方法的Boosting算法很多，AdaBoost(adaptive boosting)自适应增强算法作为Boosting算法家族最具代表性的算法参数设置简单，且无须先验知识[19-20]。由于AdaBoost分类精度在一定程度上依赖弱分类器的分类性能，并且随着训练样本数目和类别的增加，分类速度降低，训练时间变长。……