无人机自主飞行与语音基频检测研究

### 无人机自主飞行与语音基频检测研究 #### 无人机自主飞行问题研究 在利用自主无人机机群进行目标搜索和监测的问题上，提出了一种解决方案。该方案旨在最大化目标的视觉监控效果、连接到自组织通信网络的无人机数量以及感兴趣区域的覆盖范围。 - **问题实例生成**：合成生成了四个现实的问题实例，区域面积从 300 米×300 米到 20000 米×20000 米不等，最多有 5 个移动目标需要监测。 - **算法提出**：针对该问题的离线变体，提出了两种不同的进化算法，一种基于 EA，另一种基于 MOSES。此外，还提出了一个基线贪心算法用于比较。最小的实例用于校准算法，其他实例用于实验评估。 以下是不同算法在问题实例 #1 和 #2 上计算的适应度情况： | 算法 | 问题实例 #1 | 问题实例 #2 | | ---- | ---- | ---- | | EA | 图 2 展示了其适应度情况 | 图 3 展示了其适应度情况 | | MOSES | 图 2 展示了其适应度情况 | 图 3 展示了其适应度情况 | | 贪心算法 | 图 2 展示了其适应度情况 | 图 3 展示了其适应度情况 | 实验评估表明： - **准确性**：平均而言，基于 EA 的算法比 MOSES 和基线贪心算法准确 2.2 倍。在解决实验分析所考虑的三个问题实例中的两个时，EA 在每次执行中都优于 MOSES 和贪心算法。然而，对于剩下的一个问题实例，EA 和 MOSES 计算出的解决方案准确性相同，并且都明显优于贪心基线算法。 - **执行时间**：EA 和 MOSES 需要大约 6 分钟的执行时间，而贪心算法只需要 0.1 秒的执行时间。因此，贪心算法适用于解决该问题的在线变体。 mermaid 流程图如下： ```mermaid graph LR A[生成问题实例] --> B[提出算法] B --> C[实验评估] C --> D{判断准确性} D -- EA 更准确 --> E[EA 优势] D -- EA 和 MOSES 相同 --> F[EA 和 MOSES 优势] C --> G{判断执行时间} G -- 贪心算法短 --> H[贪心算法适用于在线变体] ``` #### 语音信号基频检测研究 在语音信号处理领域，基频（f0）的检测在自动语音识别和识别等领域具有重要意义，在虚拟助手、辅助技术设备和生物医学应用等方面有多种潜在应用。然而，在不利条件下，如存在混响或背景噪声时，该参数的提取会受到影响。 -