延期时间的优选对于矿山爆破振动的控制以及爆破技术经济效果的保障都至关重要。改进的线性叠加法可用于研究爆破振动质点峰值振速(PPV)与不同延期时间的关系。首先, 利用傅里叶级数来表示实测单孔爆破振动波形; 其次, 在傅立叶级数展开式的系数和相位中加入随机变量生成指定数量的单孔爆破振动波形; 再次, 利用蒙特卡洛模拟计算0 ms到250 ms之间每个延期时间对应的PPV均值, 得到PPV随延期时间变化曲线。实例分析结果表明: 若以距离爆源531 m处的民房为保护目标, 以0.45 cm/s为峰值质点振速控制标准, 7 ms以上的延期时间均可选择, 并且当延期时间增大, PPV呈减小趋势。结合矿山岩石破碎效果试验, 大块量随米延期时间增大呈先减小后增大的抛物线变化规律, 其最小值出现在米延期为7 ms/m处。若以爆破振动监测所在矿山的6 m孔距算, 其岩石破碎最优延期时间约为40 ms。综合爆破振动蒙特卡洛模拟结果和矿山岩石破碎效果试验结果, 得到该矿山爆破最优延期时间可选择为40 ms。

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。