1.一种利用声传播数据和无监督机器学习的海底沉积分类方法，其特征是：具体包括以下步骤：

步骤1：基于物理机制生成声场分布值，将作业海域的环境波导参数和典型沉积分类的声学参数输入计算模型，从而输出声场分布值，具体方法为：将所述的环境波导参数和典型沉积分类的声学参数输入简正波声场计算程序KRAKENC中，计算水听器接收到的声压分布，对应生成沉积物样本共900组的声场分布值；

步骤2：生成训练数据集，在步骤1生成的900组声场分布值的样本基础上，加入零均值高斯白噪声，随机生成1000组叠加，此时的样本为900个沉积物样本，1000组白噪声，共生成

900000组声场分布样本值；

步骤3：非监督机器学习分类，利用自组织竞争型神经网络对步骤2中的声场分布样本值进行训练，生成神经网络拓扑结构，以获得不同沉积类型神经元；

步骤4：获取最匹配神经元，求解声场分布的实测值与输出层的神经元间的Euclidean距离，将距离最小的输出层神经元确定为最匹配神经元，而最匹配神经元对应的沉积类型值即为对应的分类结果；

步骤3中所述的神经网络拓扑结构的输入层中将声压分布值、沉积厚度、沉积种类为一组向量Xn，共900000组向量，且所述神经网络拓扑结构的输出层设置为1000000个神经元。

2.根据权利要求1所述的一种利用声传播数据和无监督机器学习的海底沉积分类方法，其特征是：步骤1中所述的作业海域的环境波导参数为声传播所需要的除海底参数外的所有参数，且所述环境波导参数包括声速剖面、声源频率、源级、声源深度、传播距离和接收阵列的深度。

3.根据权利要求1所述的一种利用声传播数据和无监督机器学习的海底沉积分类方法，其特征是：步骤1中所述的典型沉积分类的声学参数采用经典的Hamilton分类标准，且所述的典型沉积分类的声学参数包括9种沉积物的密度、声速和吸收系数。

4.根据权利要求1所述的一种利用声传播数据和无监督机器学习的海底沉积分类方法，其特征是：步骤4中声场分布的实测值存在多组现场声场分布实测数据时，通过计算对应的分类结果的比例，即为当前沉积对应类型沉积类型的概率。