文摘

近年来,中国体育产业取得良好的发展,但是运动员在训练过程的效率很难有科学的保证。如何使用科学算法和数据挖掘技术,准确地指导运动训练过程已成为一个热点。在此基础上,本文研究了步态识别模型的运动训练基于卷积神经网络算法。首先,本文分析了步态识别的研究现状的过程中训练和优化,提高运动训练的不足。然后,卷积神经网络算法和数据挖掘技术进行了优化和分析步态识别模型。最后,实验结果表明,卷积神经网络算法可以实现运动员的识别和模型重建的步态训练过程中,可以使最优策略根据步态差异不同的运动员在训练过程中,运动员的识别精度步态可以达到97%以上。

1。介绍

目前,日常训练过程中存在一些问题,如单一训练法长期训练导致骨骼和关节损伤。(1]。如何识别运动员通过现有的智能算法的步态,然后帮助运动员正确的姿势在训练过程中已成为一个热点[2]。此外,当运动员在训练或比赛执行这些操作,每个人体的关节都有不同的角度,和这些角的变化会影响行动的效果,从而影响这些技能的发挥3]。因为大多数体育竞争的本质,人在运动的过程中无法避免碰撞和可以轻松体验运动损伤(4]。在每日运动训练过程中,很少有专业辅助系统或工具高精度运动中的人体数据的收集和智能分析(5]。因此,如果运动员的步态和肢体运动模拟和预测,这可以发挥重要作用在体育技能的培训和预防运动损伤的6]。

目前,有很多研究方向在步态识别的体育运动员。一些学者研究了训练方法,步态识别模型,步态预测,和步态识别与人工智能的结合7]。Landgraff等人结合卷积神经网络模型智能优化当前运动训练系统,强调来自传感器的数据的采集,实现运动训练系统的智能控制根据特定的指标(8]。为了提高运动员在日常训练过程的训练效率和充分利用数据信息在培训过程中,Hassib等人选择了一个卷积神经网络算法来分析数据的两组不同的团队竞争。本研究证实了该方法的有效性在指导运动员在篮球比赛(9]。根据卷积神经网络的想法,Tafti等人研究了轨道直径,运输重量,安全性能和阻力的球体运动和智能地获得各种参数和影响因素的过程中,运动训练系统(10]。拉梅什等人结合运动训练影响因素与运动员的步态识别过程,结合神经网络算法,研究步态识别运动性能的影响(11]。烹调的菜肴研究球体的运动轨迹之间的耦合关系和运动员的步态,最后结合卷积神经网络算法和设计实验证明该方法在改善安全的角色的篮球12]。Talasila等人研究了影响更大的因素对运动训练过程通过结合多个神经网络分析策略和选择超限分辨因素建立步态识别功能关系和不同的动态性能13]。胡锦涛等人发现,体育训练期间有一个低分辨率的问题。他们已经完成了的多维应用不同的数据和信息通过设置各种控制实验(14]。谢和格罗斯曼证实卷积神经网络的有效性和可行性在运动的过程中判断,和研究结果也可以提供一个依据篮球在各种环境下的安全(15]。Prusa和Khoshgoftaar培训过程数据进行了建模和分析不同类型的运动,比较了数据分析条件所需的不同类型的体育通过卷积神经网络模型,通过观察和评估它们不同的实验数据16]。李等人集成数据的多个步态运动员在不同运动,利用卷积神经网络模型,分析了部队,和评估在不同的体育运动员的安全多种步态,参照相关标准(17]。陈和Jahanshahi分析不同算法的应用在体育和发现,在训练数据分析足球运动的联系,辩证的区别方法基于卷积神经网络算法用于数据分析,发现这种方法有更多的优势(18]。金等人进行了各种研究的识别效果关键训练过程中节点采用不同风格的篮球运动员训练计划和介绍了粒子群优化算法优化评价(19]。太阳等人提出了一个基于伯努利的卷积神经网络算法的矩阵。结果表明,该算法可以减少体育运动员的步态识别问题在动态运动,但它减少了部分识别的准确性(20.]。为了提高识别精度,阮等人提出了一个优化模型错位步态识别基于蚁群算法和粒子群算法。模型的有效性验证了设计实验(21]。肖等人创建的一个动态模拟步态运动地图的体育运动员,实现准确的识别运动员的步态,改善体育运动员的智力步态识别(22]。

总之,它可以发现,在现有的研究成果,其创新主要集中在应用程序的智能算法,如卷积神经网络算法和粒子群算法运动训练系统,但它们只是简单的应用程序和不能从数据挖掘。从的角度深入分析和利用的数据生成的运动训练系统,构造运动的训练系统问题,如可靠性差,应用范围小,弱情报和数据利用率低23]。另一方面,研究并没有专注于运动训练系统的研究和模型建设基于卷积神经网络算法和数据挖掘技术(24]。针对的问题”只有简单的迁移和应用程序的智能算法,但没有深度挖掘数据的价值”存在的最新研究,研究运动训练系统基于卷积神经网络和数据挖掘具有重要的现实意义。

本文的贡献如下。一种改进的卷积神经网络算法,不仅可以实现数据的智能采集和分类生成的运动训练系统,而且还有效的信息中包含的数据。大致的步态识别的基础上运动员在训练,它可以充分利用数据挖掘技术实现动态建模的运动员步态的充分利用空间视频和图像传感信息,利用多元函数的极限。数值是用来定量描述每个比较列之间的相似性和一致性(目标运动员训练效果)和参考列(有效训练期间运动员的步态信息),以量化目标运动员的训练效果。重量排名可以充分利用每一个体育运动员的步态识别信息实现准确的训练过程的建模与仿真。

为了解决数据的智能采集和有效利用的问题在运动训练系统中,本文研究了运动训练系统,主要分为四个部分。部分1介绍了步态识别技术的现状和培训系统的体育运动员。部分2介绍了应用卷积神经网络在运动训练系统的想法。部分3构建一个运动员的步态识别模型基于卷积神经网络算法,提出了一个优化模型对运动训练步态识别基于高斯随机分布和构造一个基于数据挖掘和步态识别的运动训练系统。部分4讨论了实验结果和分析在运动训练步态识别模型构造。部分5得出的结论。

2。卷积神经网络应用于运动训练系统

卷积神经网络(CNN)的学习模式可以分为监督学习和非监督学习25,26]。在这项研究中,通过深度学习的个人特点,步态跟踪和培训环境中运动员、训练步态识别模型的建设基于卷积神经网络算法实现。首先,卷积神经网络选择算法,和三个参数相关的步态识别运动员选择设计一个运动员步态识别系统基于卷积神经网络算法。然后,通过研究运动员的监控过程的步态,形态,和三维重建条件,分层框架和索引的关系整个智能步态识别系统的设计,以及控制步态识别系统的关键条件是精致从多个角度。第二,卷积神经网络算法和数据挖掘技术用于测试其准确性。

摘要多层卷积神经网络算法结构在运动训练系统用于一个特定的体育赛事和训练信息智能处理模型基于现有的运动员。假设第一个输入值的目标,安全特性的隐式输入值,输出层的数据安全的判断,和它的节点的数量是已知的。此外,第三力模拟的混合碰撞假人模型,碰撞假人模型具有力的特点,及其算法包括关节摩擦非线性刚度、阻尼和关节运动范围的过程中步态。联合时刻基于刚度、阻尼和摩擦系数数据衡量阿姆斯特朗航空航天医学实验室。根据国际成人体型标准,计算活载750 N /人,人体模型的重量是75公斤,身高175厘米,年龄是20岁。侏儒的具体参数如表所示1。

表1
人体形态学参数。

3所示。运动训练系统基于卷积神经网络和数据挖掘

3.1。步态识别模型的体育运动员基于卷积神经网络和数据挖掘

在当前的主流研究,步态识别模型基于运动过程和cosimulation过程主要分为基本模型和结构模型,在基本模型包括顺序模型和并行模型,和结构模型包括循环模型。本研究使用卷积神经网络算法(CNN)来模拟和分析运动员的步态建模过程。在这个过程中,卷积神经网络算法首先执行不同的数据类型的数据级二值化,过滤器,并消除总结合判断错误函数;第二,它结合的特点,不同类型的运动员。多个表示不同类型的数组实现,及其数据进一步分化。此外,在不同运动训练的分析过程数组,曲线玲珑的数量和神经网络层的数量是不同的,他们将与不同类型不同。数据组相关,所以信息挖掘是必要的。数据挖掘的关键是区分不同数据组根据阈值的判断标准。区分后,以识别和判断首次训练数据,分析不同类型的数据组实现。根据卷积神经网络和数据挖掘的特点,其原理如图1。


图1
数据处理原理基于卷积神经网络算法。

传统的CNN模型可以提取运动训练的关键数据通过多重卷积培训流程,但很容易忽视的区别不同类型的数据组,很容易做出错误的判断和数据,多次出现在相同的数据组,使数据组的关键信息不准确。如果我们继续使用传统的CNN模型表达人力资源和其他资源之间的耦合关系,这将导致缺乏过程信息,使仿真结果不准确的。针对这种情况,有必要扩展传统的CNN模型,即模型由多值CNN模型。多维矩阵是用来描述计算周期,顺序耦合程度,和资源耦合程度在设计过程中,被称为多值CNN模型。度函数的耦合 和周期函数 如下: 在哪里 是在每个动作过程和原始数据输入 是一个周期训练计算周期。

在这项研究的应用过程,CNN模型需要自学通过一些数据集。在学习过程中,因为不同的时差cosimulation过程是非常大的。提前确定,信息包括隆起和数据维度信息的数量。在CNN模型中,卷积的学习过程处理的数据如图2。


图2
CNN的卷积处理过程模型的数据。

根据神经元节点的定义,单一值的不同维度的时期 ,和分析的总数乘以 。通过不同时期和阶段的单值判断整个数据分析的过程,计算期不同类型的数据可以确定。这时,计算周期如下:

根据序列两个过程之间的依赖关系节点,判断函数如下:

在第一次卷积神经网络分析,单输出函数如下: 在哪里 代表每个运动的原始数据和过程 流程节点代表一个周期运动。

3.2。仿真建模的步态和踝关节的变化跳投着陆在体育训练

首先,本文模拟了触摸操作的跳投的过程中训练。它模拟运动员的身体状况和步态数据信息。仿真分析的过程如图3。


图3
模拟和分析运动员的特征数据的过程。

在着陆的那一刻,不同运动员的步态呈现不同的物理变化,不强。因为每个运动员之间的个体差异,也有不同的实验过程和不同运动员之间的仿真建模过程。因此,在分析的过程中强度运动训练过程的不同类型的数据集,使用耦合函数和标准化值也不同。本研究首先收集了大量的体育运动员表现的数据在不同的环境和不同的时间段(比如早操,晚上练习,和专业训练)作为训练样本,结合卷积神经网络算法。深层信息包含在数据分析了实现三维重建多次不同的运动员的姿势,帮助运动员的步骤。这提高了状态识别的效果和精度。引用值如表所示2。

表2
步态识别效果和准确性的参考价值。

另一方面,为了进一步减少数据挖掘错误,我们还建立了一个基本的步态识别数据库在实验的过程中实现持续的更新和修正。数据更新流程如图4。


图4
数据更新过程的步态识别数据库。

CNN运动训练步态识别优化分析模型在本研究采用设计处理方法结合安全步态特征比较由不同运动员的步态生成的数据和合成一套新的行为特征向量。分析数据的过程中,它将执行第一轮预先判断基础上的特点,不同类型的数据组织和不同类型的设置的阈值差异。根据判决结果,对应的特征向量是显著的。多维运动训练信息的价值进行比较,以确定最佳的因素匹配率。这些值被确定后,不同类型的数据的稳定性也可以实现多级歧视和分析这些过程,所以总的来说,这个过程有一个更高的利用率和稳定。体育训练数据的处理过程基于卷积神经网络和数据挖掘技术如图5。


图5
基于卷积神经网络数据处理和数据挖掘。

4所示。结果分析和讨论

4.1。运动训练系统的验证实验基于卷积神经网络算法和数据挖掘

考虑到运动员在不同的步态运动是不同的,需要添加不同的运动员在不同运动训练条件在正式实验之前,以避免数据的错误判断的过程中,运动员的训练。实验过程中的参数设置如表所示3。

表3
在实验参数设置。

在实验的过程中,不同的步态识别约束运动员将通过以下三个方面。首先,已知的共同训练步态运动分解和表示和存储矩阵的形式。通过这种方式,步态的动态变化和识别不同的运动员可以实现。在数据分析和耦合的链接,首先,通过卷积神经网络算法,生成的多维信息从原始数据中提取实验。然后比较不同类型的挖掘和分析结果的实验数据与标准运动训练的参考价值。在分析这些数据结果,比较了不同类型的数据根据培训结果和分类规则。

第二,通过求解特征向量不同的步态向量乘以点积,运动员将测试在多个维度,包括视频检测、图像检测和运动轨迹跟踪检测。在检测过程中,通过设置不同的约束阈值根据不同的运动项目,要测试的数据输入到卷积神经网络培训系统,和分析数据结果与特性,然后,比较它与标准参考价值。完成这些链接后,分析数据的相似性产生的这些运动训练系统和执行聚类处理。

最后,在分析不同类型的实验数据,执行多个错误分析,直到满足最低要求。最终结果可以输出。实验数据和初步实验结果如图6。


图6
模型约束下流动。

从图可以看出6运动训练系统使用卷积神经网络和数据挖掘方法比运动训练系统更可靠使用神经网络遗传规划(GP-NN)和简单的数据挖掘方法,及其最大值为93,其数据变化规律更符合伯努利函数的变化趋势。

4.2。实验结果和反馈分析

本文对多组训练数据进行验证性实验,根据实验数据的差异,进行多个不同类型的体育实验数据(篮球、足球等)。为了使实验结果更加准确,随机因素是用来模拟现实。不同因素的情况下,函数的错误修复和验证通过大量的公共数据样本。误差分析结果如表所示4。

表4
实验误差分析结果。

最后,与最新的研究方法相比(神经网络模型由CNN算法和数据挖掘模型用非线性分析),实验结果表明,卷积神经网络算法模型可以实现函数的验证和误差分析的步态预测运动员在训练和验证模型的有效性和可行性,因此,模型还可以提供的步态分析的基础在各种环境中运动训练。此外,利用卷积神经网络获得的结果和数据挖掘方法,起飞高度(即的比较分析。,weight deviation fluctuation) without fatigue shows that fatigue has a significant impact on take-off height, and the training degree of the subjects who are already tired is much lower than the reference value ( )。这表明,在这个过程中,与最新的研究方法相比(CNN所代表的神经网络模型算法和数据挖掘模型所代表的非线性分析),CNN-DM模型不仅是比当前的主流研究成果。精度高,能够准确地识别训练过程中运动员的步态。它可以检测踝关节的旋转角和培训的效果。实验分析结果如图7。


图7
实验结果输出曲线。

从图可以看出7,获得的结果之间的三种不同的训练方法,训练和步态识别的错误率组明显低于使用卷积神经网络算法,使用传统的神经网络算法。卷积神经网络和数据挖掘用于训练系统。增加培训时间,实验结果显示了一个融合趋势的准确性。当训练的次数达到一定数量时,误差的变化程度很小,和数据精度可以达到97.5%。

5。结论

近年来,中国体育产业已经发展得很好,但效率和数据利用运动训练过程中需要进一步改善。如何使用科学算法精确制导已成为一个热点。在此基础上,为了解决问题的智能采集和高效使用的数据在运动训练系统中,本文研究了运动训练系统。与最新研究成果在这一阶段,提出了研究方法可以实现运动训练的效果。生成的数据可以获得培训体系和分类智能,和有效的信息中包含的数据可以深入挖掘,出错率低。首先,本文分析了步态识别的研究现状,优化和改善当前研究热点的缺点在步态识别中,然后优化分析了卷积神经网络算法在步态识别模型。最后,实验结果表明,该运动训练系统基于卷积神经网络算法可以实现运动员的识别和模型重建的步态训练过程,可以使最优策略根据不同运动员的不同步态在培训过程中,和步态识别精度可以达到97%以上。然而,本文只关注体育运动员的步态识别的过程中竞争和不采取不同步态的体育运动员的潜在影响考虑在内。因此,综合分析和评价的指标体系需要进一步研究。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

信息披露

执行这项研究的一部分,作者的就业在中国地质大学(北京)。

的利益冲突

作者宣称没有利益冲突。