在某燃料元件产品中燃料颗粒随机弥散分布在非金属材料中，表征燃料颗粒的分布状况进而评估产品工艺质量具有重要意义。针对该问题，对三维空间内相邻燃料颗粒的间距测量进行了研究，使用X射线微焦计算机层析成像（CT）对该类产品进行了三维扫描成像，从而得到了三维CT图像。在三维CT图像的基础上，提出了一种结合改进型空间直觉模糊C均值聚类和三维区域生长的自动算法，用于分割图像中的燃料颗粒以得到每个燃料颗粒的空间结构。然后，通过计算质心获得燃料颗粒的中心坐标，进而自动计算出相邻燃料颗粒的空间距离。通过仿真实验验证了所提算法的可行性，通过标准球实验验证了测量误差，并通过实际燃料元件测试了相邻燃料颗粒间距的自动测量，表明了所提方法对燃料颗粒间距测量的有效性。

小波神经网络(WNN)具有高度的非线性映射功能及强大的自适应能力，但是WNN算法存在易陷入局部极小值，收敛速度慢。而人工蜂群算法(ABC)具有很强的全局搜索能力及较快的收敛速度。两者优势互补，已结合应用于语音识别中。本文对ABC算法做出改进，在采蜜蜂和观察蜂阶段各提出一个新的解搜索方程，采取自适应的双搜索方式(Adaptive Double Search)求解，从而提高算法的收敛速度和收敛精度。并将其和WNN算法进行结合，组成一种训练神经网络的新算法ADSABC-WNN，该算法既能克服WNN算法的缺点，又能保存双方的优点。实验结果表明，与传统ABC算法优化小波神经网络相比，识别率提高均有所提高，其中在词汇量为50时识别率提高了4.51%。将实验结果与其他方法优化的小波神经网络模型进行比较，在噪声环境下，该混合模型可以有效地减少识别时间，而且可以明显提高网络的训练速度和语音识别的识别率。

针对粒子群算法优化神经网络进行语音转换时容易产生收敛速度慢、早熟的问题,本文采用一种新的量子粒子群算法优化广义回归神经网络的语音转换模型。该量子粒子群通过改变量子比特相位进而改变位置矢量, 并利用量子非门进行变异操作。因此首先利用量子粒子群对网络进行优化得到最佳的光滑因子参数, 从而建立频谱映射规则。接着, 利用频谱参数和基频参数的相关性, 对韵律特征基频也进行转换。然后, 联立转换后的频谱参数和基频参数, 利用STRAIGHT模型合成目标语音。最后, 采用主观和客观测评方式进行评价。实验结果表明, 与传统粒子群算法优化广义回归神经网络相比, 该方法转换后的语音自然度和相似度得到提升, 谱失真率下降2.1%。本文方法具有比径向基神经网络、广义回归神经网络、粒子群算法优化广义回归神经网络更好的语音转换性能。

通过计算线性熵研究了两相互作用量子比特在马尔科夫和非马尔科夫环境下的纠缠随时间的演化特性, 讨论了偶极相互作用强度和原子与库中心频率失谐量对纠缠的影响.结果表明线性熵随着偶极相互作用强度以及原子与库中心频率失谐量的增大而减小, 在马尔科夫环境下线性熵在短时间内趋于稳态值, 而在非马尔科夫环境下线性熵随时间的演化呈现振荡行为.

运用线性熵和熵压缩理论，研究了缀饰态表象下驱动两能级原子和场相互作用系统的纠缠和原子熵压缩随时间的演化特性，讨论了数态光子数、原子与经典驱动场的耦合系数以及原子跃迁频率与经典驱动场频率失谐量对纠缠和熵压缩的影响。结果表明原子线性熵和熵压缩随时间的演化呈现周期性规律，线性熵的最大值随着数态光子数，原子与经典驱动场的耦合系数以及失谐量的增大而增大，并且通过调节原子与经典驱动场的耦合系数以及失谐量可以产生压缩度大、压缩时间长的原子熵压缩态，理论上提供了一种调控纠缠和熵压缩的方式。