一种ReliefF和随机森林模型组合的多波束海底底质分类方法

海底底质的快速探测和精细划分对海洋工程建设、海洋资源开发等具有重要意义。多波束探测是目前声学底质遥测的有效手段之一,通常提取多波束反向散射强度图像和地形数据中的多维特征结合分类器进行底质分类。一方面,若特征空间维数过高,分类效率会显著降低;另一方面,个别特征容易放大原始数据处理过程中仍存留的异常现象。针对这一问题,本文提出了一种结合ReliefF算法和随机森林(Random Forest,RF)算法的多波束底质分类方法。提取反向散射强度和地形共16维特征,利用ReliefF算法进行特征筛选,排除低相关性特征,降低特征空间维数,结合采样点数据进行模型训练以构建多波束底质分类模型。试验结合随机森林算法对未经特征筛选、经主成分分析(Principal Component Analysis,PCA)特征优化后的特征进行分类实验作为对比。本文方法 Kappa系数达到85%,分类总精度高于90%,精度具有明显优势,耗时也比较短。可见,本文提出的结合ReliefF和随机森林模型的多波束底质分类方法可以在保证分类精度的同时对多维特征进行优化,有效地提高了分类效率,可对海底底质分类研究提供参考。