柴油和生物柴油混合油液三维荧光光谱中的荧光峰较多，导致混合油液的主要特征峰不明显，而且随着柴油占比的减少，三维荧光光谱的最大荧光强度位置会发生偏移，荧光强度与柴油占比不满足线性关系。因此，检测混合油液中的柴油占比较为复杂。本团队采用二维主成分分析(2DPCA)对混合油液的三维荧光光谱进行重构，重构荧光光谱中的冗余信息减少，在最佳激发波长450 nm下有能代表柴油的发射光谱(465～500 nm)。利用麻雀搜索算法(SSA)对广义回归神经网络(GRNN)进行优化，构建2DPCA-SSA-GRNN预测网络，该网络输入是训练集中的9个样本经2DPCA重构后能代表柴油的发射光谱，网络输出是柴油占比。最后利用建立的网络预测测试集中4个样本的柴油占比，柴油占比分为85.02%、73.76%、63.80%、53.37%，平均回收率为98.39%，均方根误差为0.90%，预测效果较未利用重构发射光谱的网络具有较大提升，均方误差降低了0.97个百分点，平均回收率提高了1.24个百分点。本文为优化神经网络预测物质占比提供了新方法。

高光谱图像具有越来越高的空间和光谱分辨率，其带来了数据量大、相关性强和冗余度高的问题，使得异常检测结果精度不高。为了选择更加有利于异常检测的图像，运用二维主成分分析（2DPCA）方法降维，并引入局部联合偏度-峰度指数进行图像选择，提出了一种基于选择性分段2DPCA的高光谱图像异常检测方法。首先利用相关系数对原始图像进行分段，然后通过旋转数据结构在每个波段子空间中实现行-列二维主成分降维；再选择合适大小的窗口，遍历每个降维结果的主成分，计算窗口内的局部联合偏度-峰度指数，并以此为指标选择用于异常检测的图像。实验结果表明，所提方法的接收机工作特性（ROC）曲线、曲线下面积(AUC)值和Bhattacharyya距离值均优于其他传统的方法，因此具有更好的检测性能。

针对智能视频监控的需求, 提出一种无监督学习的异常行为检测方法。首先, 采用混合高斯模型建模提取出运动目标, 对运动区域进行标记; 然后提取运动区域内的光流信息, 将其归一化成特征矩阵, 并建立实时更新的特征矩阵观测序列; 最后利用二维主成分分析(2DPCA)的重构原理对观测序列进行分析, 根据重构特征矩阵与原特征矩阵的能量比来判断是否存在异常行为。基于不同数据库下的视频序列实验结果验证了所提方法的有效性。

随着雷达信号脉内调制方法日趋复杂,单纯地利用时域或频域的算法来进行信号调制类型的识别已很难奏效。借助于雷达信号的时频分布图像,提出了一种在时频联合域上进行信号识别的新算法。首先揭示了时频分布图像中确实蕴含着信号调制类型的本质特征,然后详细阐述了利用二维主分量分析来提取时频分布图像特征参数的算法,最后对算法进行了仿真,并从识别率、算法复杂度以及硬件需求和训练时间3个角度进行了比较。结果表明,该算法提取的特征参数具有很好的鲁棒性,可以取得较高的识别率,同时可以降低硬件需求,缩短训练时间。

结合小波变换(WT)、二维主元分析(2DPCA)和椭球基函数(EBF)特点,提出了一种基于WT、2DPCA和EBF神经网络指纹识别方法。利用小波变换将原始图像分解为高频分量和低频分量,并忽略水平高频与垂直高频分量,获得原始图像的基本特征。再通过2DPCA算法对该图像进行降维,获取降维特征;最后结合椭球基函数神经网络(EBFNN)完成指纹识别。本算法将2DPCA优化的特征提取与EBFNN的自适应性相结合,在FVC2000(国际指纹竞赛数据库)上做了测试,总的正确识别率可达91.4%,具有一定的实用价值。与WT-PNN算法和WT-2DPCA-RBF算法进行比较,结果表明,本文提出的算法在平移、旋转及光照变化的指纹数据库上的识别效果优于WT-PNN算法和WT-2DPCA-RBF算法。