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。

针对用户家中电器负荷识别分解问题提出了一种新的特征提取方法。对总线电流进行小波滤波处理，并根据周期差分的方法除去负荷暂态电流的背景电流，获取负荷投切后的暂态电流信号。对负荷的暂态电流进行S变换获取幅值谐波矩阵，并使用双向二维主成分分析［(2D)2PCA］对暂态电流的幅值谐波矩阵从行和列方向进行压缩以提取特征。使用支持向量机对样本特征集进行分类。对BLUED电力数据集的6种家用负荷进行识别，平均识别率为99.24%，最高达到100%。该方法与其他特征提取方法相比，对电气特性相似的负荷具有更高的识别率。

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。

二维主成分方法计算时间少，降维效果好，被成功应用到高光谱图像降维中。基于二维主成分方法，为挖掘高光谱图像的非线性信息，实现了分段行-列核2DPCA 方法的降维，并对比分析了行-列2DPCA 方法、分段行-列2DPCA 方法和行-列核2DPCA 方法的降维效果。利用相关性将高光谱图像划分为5 个子空间，通过转换数据结构来实现行和列的核2DPCA 变换，最后将行和列结果进行融合得到降维结果。降维结果表明，在较高信息保持率情况下，分段行-列核2DPCA 方法具有最高的图像清晰度和边缘强度。不同地物像元像素折线图表明，分段行-列核2DPCA 方法能更好地区分不同地物，可以很好地应用于地物分类和目标识别。

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。

提出一种新型、高效的基于B2DPCA(双向二维主成分分析)和ELM(极端学习机)的人脸识别算法, 该算法是根据曲波变换分解人脸图像和一种改进的降维技术, 通过B2DPCA生成识别特征集来训练和测试ELM分类器, 提高识别精度。通过大量实验, 并把实验结果与现存技术进行比较, 结果表明B2DPCA+ELM算法有效地提高了识别准确率, 并降低了对原型数量的依赖。将来有望能把局部特征和基于曲波分解的全局信息结合起来应用到识别精度和分类速度上。

特征提取与聚类分析相结合的图像分割方法可以用于近红外显微图像化学信息的快速提取。针对基于主成分分析(PCA)的特征提取运算较为复杂的缺点，提出了一种加权二维主成分分析（W2DPCA）光谱特征提取方法，与模糊C均值(FCM)算法相结合用于近红外显微图像化学分布信息提取。通过片剂的近红外显微图像的仿真实验，验证了W2DPCA-FCM方法的可行性和有效性。实验结果表明，W2DPCA-FCM方法可以减少计算时间、提高聚类精度，是一种有效的红外显微图像分析方法。

提出一种基于稀疏表示的掌纹识别方法, 该方法借鉴二维主成分分析(PCA)良好的数据压缩属性和较快的特征提取速度, 生成掌纹特征图像。二维 PCA不仅克服了一维 PCA数据维数过大不易计算的缺点, 而且保留了原始图像的数据结构, 提取的特征能更好的代表原始图像。为了便于稀疏表达, 对提取的掌纹特征图像利用一维主成分分析进行二次特征提取, 得到训练样本。虽然此处使用了一维 PCA, 但是由于这是二次特征提取, 提取的特征还是保留了原始图像的数据结构, 相比单纯的一维 PCA, 提高了识别率。利用训练样本构造出冗余字典, 并采用稀疏表示理论将测试样本表示为字典原子的线性组合, 然后根据表示系数的稀疏性与稀疏集中度实现分类识别。由于该方法利用了表达系数的稀疏性, 因此减小了算法的时间和空间复杂度。实验表明, 针对香港理工大学的 MSpalmprints Database, 本文方法的识别率较传统方法有明显提高。