طبقه بندی تقویت تطبیقی یک روش شناخته شده و موثر برای جمع آوری ویژگی های مثبت گروهی از یادگیرهای ضعیف موازی است; با این حال، از حساسیت بالا به داده های نویزی و همچنین آموزش تعداد زیادی از یادگیرهای ضعیف رنج می برد. در اینجا، یک روش جدید به منظور کاهش تعداد یادگیرهای تطبیقی با استفاده از روش گرام اشمیت به صورت یک طرح وزن دهی جدید که منجر به متعامد شدن توزیع تمام یادگیرهای تنبل می شود پیشنهاد شده است. مشکل طرح وزن دهی طبقه بندی تقویت تطبیقی استاندارد ناشی از این است که هر یادگیر فقط با یادگیر قبلی متعامد است، در حالی که تعامد بین توزیع تمامی یادگیرها تضمین شده نیست. برای ارزیابی روش ارایه شده، تعدادی از مجموعه داده های متعلق به uci به عنوان معیار انتخاب شده است، و عملکرد طبقه بندی تقویت تطبیقی متعامد پیشنهادی را با الگوریتم های طبقه بندی تقویت تطبیقی استاندارد، logitboost و aveboost-ii مقایسه شده است. نتایج بدست آمده تایید برتری طبقه بندی تقویت تطبیقی متعامد در مقایسه با روشهای رقیب است. علاوه بر دقت، خواص دیگری مانند استحکام و تعمیم طبقه بندی تقویت تطبیقی متعامد در نظر گرفته شده است. نتایج مقایسه بر برتری روش ارائه شده به رقبا برحسب دقت، نیرومندی و تعمیم را نشان می دهد.