·1012· 智能系统学报 第16卷 Kappa值区别不大，分类结果图也无明显差别，然 而两个数据集在AMD+A实验中用到的训练样本 总数比AMD实验中分别减少了10.2%、17.1%.耗 时仅增加了3.49s、24.92s。Indian Pines数据集的 AMD和AMD+B实验迭代过程中的分类结果如 表4所示。Salinas数据集的AMD和AMD+B实 (a)AMD (b)AMD+A 验迭代过程中的分类结果如表5所示。 图5用方法A改进前后的实验结果分析(Indian Pines) Fig.5 Comparison of experimental results before and 表4 Indian Pines数据集的AMD+B与AMD的实验结果 after improvement with method A(Indian Pines) Table 4 Experimental results of AMD+B and AMD in the Indian Pines dataset 迭代 训练样 序号 实验 OA AA 次数 Kappa 本数 AMD 0.83560.81250.8807 153 AMD+B 0.83380.81040.8737 148 AMD 0.89440.87900.9084179 2 10 (a)AMD (b)AMD+A AMD+B 0.89390.87840.9065172 图6用方法A改进前后的实验结果分析(Salinas) AMD 0.94230.93420.9478217 3 15 Fig.6 Comparison of experimental results before and AMD+B 0.94200.93390.9482 202 after improvement with method A(Salinas) AMD 0.96140.95600.9638 268 由AMD和AMD+A的对比实验结果可以看 20 AMD+B 0.96450.95950.9628 246 出：3个HSI数据集在两组实验中的OA、AA、 表5 Salinas数据集的AMD+B与AMD的实验结果 Table 5 Experimental results of AMD+B and AMD in the Salinas dataset 序号 实验 迭代次数 OA Kappa AA 训练样本数 AMD 0.8857 0.8734 0.9476 113 1 5 AMD+B 0.8945 0.8831 0.9513 100 AMD 0.9304 0.9227 0.9530 162 2 10 AMD+B 0.9224 0.9137 0.9478 125 AMD 0.9497 0.9441 0.9694 182 15 AMD+B 0.9449 0.9387 0.9640 138 AMD 0.9598 0.9553 0.9819 204 20 AMD+B 0.9524 0.9470 0.9780 152 从表4、5中可以看出：无论迭代次数是多 不同程度的减少。两个数据集在AMD和AMD+B 少，通过基于预测标签一致的去冗余算法改进后 实验中得到的最终分类结果如表6所示，分类结 得到的实验精度基本不变，而训练样本数量均有 果对比图如图7、8所示。 表6AMD+B与AMD实验的最终结果 Table 6 Final results of AMD+B and AMD experiments 数据集 实验 OA Kappa AA 训练样本数 耗时s AMD 0.9614 0.9560 0.9638 268 41.96 Indian Pines AMD+B 0.9645 0.9595 0.9628 246 42.84 AMD 0.9598 0.9553 0.9819 204 309.34 Salinas AMD+B 0.9524 0.9470 0.9780 152 323.68(a) AMD (b) AMD+A 图 5 用方法 A 改进前后的实验结果分析 (Indian Pines) Fig. 5 Comparison of experimental results before and after improvement with method A (Indian Pines) (a) AMD (b) AMD+A 图 6 用方法 A 改进前后的实验结果分析 (Salinas) Fig. 6 Comparison of experimental results before and after improvement with method A (Salinas) 由 AMD 和 AMD+A 的对比实验结果可以看 出 ：3 个 HSI 数据集在两组实验中的 OA、AA、 Kappa 值区别不大，分类结果图也无明显差别，然 而两个数据集在 AMD+A 实验中用到的训练样本 总数比 AMD 实验中分别减少了 10.2%、17.1%，耗 时仅增加了 3.49 s、24.92 s。Indian Pines 数据集的 AMD 和 AMD+B 实验迭代过程中的分类结果如 表 4 所示。Salinas 数据集的 AMD 和 AMD+B 实 验迭代过程中的分类结果如表 5 所示。 表 4 Indian Pines 数据集的 AMD+B 与 AMD 的实验结果 Table 4 Experimental results of AMD+B and AMD in the Indian Pines dataset 序号 实验 迭代 次数 OA Kappa AA 训练样 本数 1 AMD 5 0.8356 0.812 5 0.880 7 153 AMD+B 0.8338 0.810 4 0.873 7 148 2 AMD 10 0.8944 0.879 0 0.908 4 179 AMD+B 0.8939 0.878 4 0.906 5 172 3 AMD 15 0.9423 0.934 2 0.947 8 217 AMD+B 0.9420 0.933 9 0.948 2 202 4 AMD 20 0.9614 0.956 0 0.963 8 268 AMD+B 0.9645 0.959 5 0.962 8 246 表 5 Salinas 数据集的 AMD+B 与 AMD 的实验结果 Table 5 Experimental results of AMD+B and AMD in the Salinas dataset 序号 实验 迭代次数 OA Kappa AA 训练样本数 1 AMD 5 0.8857 0.8734 0.947 6 113 AMD+B 0.8945 0.8831 0.951 3 100 2 AMD 10 0.9304 0.9227 0.953 0 162 AMD+B 0.9224 0.9137 0.947 8 125 3 AMD 15 0.9497 0.9441 0.969 4 182 AMD+B 0.9449 0.9387 0.964 0 138 4 AMD 20 0.9598 0.9553 0.981 9 204 AMD+B 0.9524 0.9470 0.978 0 152 从表 4、5 中可以看出：无论迭代次数是多 少，通过基于预测标签一致的去冗余算法改进后 得到的实验精度基本不变，而训练样本数量均有 不同程度的减少。两个数据集在 AMD 和 AMD+B 实验中得到的最终分类结果如表 6 所示，分类结 果对比图如图 7、8 所示。 表 6 AMD+B 与 AMD 实验的最终结果 Table 6 Final results of AMD+B and AMD experiments 数据集 实验 OA Kappa AA 训练样本数 耗时/s Indian Pines AMD 0.961 4 0.956 0 0.963 8 268 41.96 AMD+B 0.964 5 0.959 5 0.962 8 246 42.84 Salinas AMD 0.959 8 0.955 3 0.981 9 204 309.34 AMD+B 0.952 4 0.947 0 0.978 0 152 323.68 ·1012· 智 能 系 统 学 报 第 16 卷