文摘

近年来,随着体育的逐步发展,运动员之间的竞争变得越来越激烈。运动员的训练时间长和沉重的身体负荷导致运动损伤的发生率的增加,和运动员的运动损伤的评估和分析需要大量的人力和物力资源。为了提高运动损伤评估结果的计算效率和节省成本的评估和分析,我们提出了基于该算法的运动损伤评估模型的突变模糊神经网络模型。本文构造的运动损伤模型不仅可以系统地评估和分析运动员的运动损伤的程度,但也提高精度和效率;同时,它具有普遍性的评估和分析运动损伤的程度。这个模型的建设提供大数据算法的理论基础对预防运动损伤和突变的应用模糊神经网络领域的运动。

1。介绍

人工神经网络(ANN)是一种算法开发的人工智能的基础上模仿生物神经系统模型。随着科学技术的发展,它已广泛应用在生活的各个领域(1- - - - - -3]。这些神经网络的算法模型被称为人工神经网络模型,或者神经网络模型4,5]。在许多神经网络模型,模糊神经网络的发展一直关注(6,7]。神经网络通常被用来分析一些复杂功能大量数据之间的关系,其中包括很多步骤,包括存储知识的权重系数等等。权重系数可以从输入和输出样本,它的特点是自动化和分布式存储8,9]。和神经网络算法涉及到大量的神经元,从而使整个系统运行后大量的计算(10,11]。模糊系统有不同的特点。模糊系统可以基于人类经验总结和表达相应的知识,更方便理解12- - - - - -14]。在模糊系统中,知识存储在规则集和规则的数量可以控制和调整,小于计算神经网络(15]。然而,规则主要是提供或由专家设计,这使得收购规则成本和困难。基于各自的优点和缺点,形成突变模糊神经网络相结合。这个模型将展示优秀的结果在处理大规模数据分析问题,有很好的发展潜力和空间16,17]。

模糊神经网络(FNN)是基于模糊系统和神经网络相结合的两个来弥补他们的缺点,充分发挥优势,提高算法运行的效率和输出结果的准确性,并能处理模糊信息(18]。输入和输出节点表示的输入和输出数据信号,分别和隐含节点表示隶属度函数和模糊规则(19]。模糊神经网络是模糊系统模型的基础上进一步发展。在模糊神经网络算法的系统中,每个节点都有一个明确的物理意义,以及这些参数的初始值可以由系统或定性的知识。这一步骤的基础上,学习算法用于快速分析和计算的输入-输出关系。上面是模糊神经网络的优点,不同于简单的神经网络。同时,神经网络结构和易于学习和调整参数,这是它优于简单的模糊逻辑系统。随着科学技术的不断进步,现在越来越多的方面和领域可以使用模糊模型和神经网络相结合的算法来解决实际问题,如解决一些控制器结构问题在工程(20.]。此外,模糊神经网络也可以用来解决运动问题,比如系统的评价和分析运动员的运动损伤的程度。近年来,随着体育领域的逐步发展,体育活动变得越来越激烈,这是伴随着运动员之间的竞争。运动员的训练时间长和沉重的身体负荷导致运动损伤的发生率的增加,严重影响运动员的维护和改进的性能,甚至导致运动员早期退出竞争。人工智能的发展和大数据使算法模型在这个领域的应用成为可能。因此,运动损伤治疗的模型开发和勘探和评价通过大数据在这个领域已经成为一个重要的话题。

为了提高运动损伤评价结果的计算效率和节省成本的评估和分析,运动损伤评价模型基于突变模型,提出了模糊神经网络算法。本文创新的运动损伤模型构造不仅可以系统地评估和分析运动员的运动损伤程度也提高评价的准确性和效率。同时,运动损伤程度是普遍的评价和分析。模型的建立为大数据的应用提供了一个理论基础以及运动损伤的预防和突变模糊神经网络算法领域的运动。

2。相关工作

模糊神经网络的开发过程很长。从控制论出生在美国在1940年代,它的关键发展时期经历了经典控制理论和现代控制理论。然而,面对一些复杂的数据关系问题,传统的控制理论仍无法解决。这些问题的存在,鼓励人们去探索更多的理论可能性。在早期,几乎没有研究模糊神经网络模型的应用。第一个应用程序的模糊系统与神经网络相结合可以追溯到1974年。随后,理论的发展没有得到更深入的探索。黄等。21)系统地讨论了模糊神经网络模型算法中应用的可能性。从那时起,越来越多的注意力都集中在如何结合传统控制理论应用到神经网络智能控制理论。

随着科学技术的不断发展,形成的算法模型的结合模糊系统和神经网络在许多领域得到了广泛的应用。郭和Zulvia22梯度进化算法应用于一个直观的模糊神经网络预测医疗成本。接下来,杨et al。23]证明了模糊系统与产品推理,中央antifuzzification,高斯隶属度函数也可以近似真实的连续函数在任何封闭的子集与任何精度。将模糊控制技术引入到学习算法可以动态调整网络的学习过程,使传统的静态动态学习算法,如反向传播算法的模糊逻辑控制技术的多层感知器巴斯金等。24]。近年来,许多国内学者研究了神经网络的训练算法,主要关注神经网络训练的速度、全局优化技术,和泛化能力25]。

总之,随着科学技术的发展,模糊网络和神经网络的结合应用具有较好的发展潜力和更大的扩张空间。本文介绍了开发过程和模糊网络和神经网络的基本原理。此外,基于这种算法的优点,提出了一种运动损伤评估模型应用于各种体育领域。

3所示。建设基于模糊神经网络的运动损伤评估模型

3.1。模糊神经网络的建设

模糊理论和神经网络技术是近年来人工智能研究最活跃的领域。人工神经网络是一个思考函数模拟人类大脑的结构。它具有强大的自学习和联想功能,人工干预少,精度高,和更好的利用专家知识。模糊逻辑是普通二进制逻辑的延伸,真正反映了所有语句,其值是实数范围在0和1之间。模糊神经网络中使用的模糊集可以由下面的公式来表达。

工会表示为

十字路口是表示为

表示为补充

表示为代数产品

表示为代数和

高斯隶属函数表示为

模糊系统是一个动态的模型和基于模糊规则的模糊信息处理能力。在模糊系统中,有四个基本部分,图如图1。从图可以看出2,这四个基本部分是不分明化界面,知识库,模糊推理引擎,最终antifuzzifying接口(26,27]。

神经网络和模糊逻辑一样,也是一个非常重要的控制算法,通过不同的研究角度探索的问题的理解。一方面,模糊性的模糊系统解决问题通过模仿大脑的神经思维从宏观的角度;另一方面,神经网络从微观的角度来看,从模拟神经元,学习和并行处理大量数据的基础上模仿生物的功能。两者之间有一定的联系,可以最大化的优点,弥补缺点28,29日]。

在模糊神经网络算法,类似于PID算法,多层前馈神经网络是一个反馈算法,具有更好的准确性和优化能力。图3显示了模糊神经网络的结构模型。后端网络是用于生成模糊规则,和前端网络用于匹配生成的模糊规则与每一层(30.]。

在模糊神经网络中,有五层:输入层、模糊化层、模糊规则前提匹配层、模糊规则前提匹配层,和去模糊化层。每一层所涉及的计算公式如下。

在输入层,每个输入数据的索引数据是运动损伤程度,和每个节点是一个组件的输入样本,表示为

在模糊化层,输出值的节点成员的值,由高斯函数表示(31日- - - - - -34]。 在哪里和代表了隶属函数的中心和宽度。 。

在前期匹配层的模糊规则,节点负责执行操作。

模糊规则的匹配层,节点需要输入和计算结果相同的规则在操作的过程中。

在这, 是规则的重量,在哪里 。

去模糊化层,采用最大隶属度原则

第二和第三层的节点模糊神经网络将与输入变量的增加呈指数增长数据,和第三层也呈指数变化。当输入数据和输出数据的数量大幅增加网络等一系列相关值的节点数量和重量的输出也将改变迅速,大幅增加。因此,这种网络具有较高的要求提出的计算系统和反向传播网络。在某些情况下,它会影响操作速度在一定程度上。

作为一个模糊系统和神经网络的结合算法,模糊神经网络的优势不仅也弥补了两者的缺陷。本文基于突变运动损伤程度评估模型模糊神经网络精度和效率高的优势,它提供了一个参考模型的应用在更多的领域在未来。

3.2。运动损伤评估模型的建设

运动损伤是由运动引起的。运动员的损伤是指各种各样的伤病有关足球训练和比赛,这阻碍了运动员的运动或需要特殊治疗(如特殊的绷带和医疗)为了继续运动,或这样的伤害完全阻止了运动员的运动。没有统一的标准来判断运动损伤。人们普遍认为,运动员不能参加训练和比赛,需要医疗治疗和诊断的有机组织损伤。

在评估的过程中运动损伤的程度,最重要的一步是确定相关的模糊集合。假设相应的损伤程度水平是一个固定值,损伤程度指数量化通过模糊集指数量化的过程。量化后,这些伤害指标可以分为五类,包括损伤位置、损伤链接,和其他影响因素。评估和分析指标的程度的损伤,本文分为三个评价指标,主要是有关身体健康的程度,伤势恢复的难度,精神状态的影响。分类图所示4。

突变模糊神经网络算法的基础上,我们使用表达的三个评价指标, 。损伤的程度将 ,和损坏的数量k。因此,后k损伤,评估结果可以表示为k。,在那里 ,和隶属度可以表示为

计算后,损伤的价值可以表示为模糊集

评估和分析的过程中受损部分的损伤程度,我们需要确定三组的重量值,包括受损部分的影响因素、破坏模式、破坏后所需的恢复能力,可以由下面的公式来表达。

损伤部位的影响因素如下:

破坏模式可以表示为

损害影响系数矩阵E用作测试模型的公式,确保不同的破坏模式的影响评估的准确性在一定程度上。

从伤病中恢复过来的能力可以表示为

其中,平均恢复能力;运动损伤的平均恢复能力;外部恢复援助;和是最好的外部辅助能力。通过内部和外部比较,伤势恢复的能力的影响评估结果的运动损伤程度可以直接通过这个公式。

设计的完整性,我们需要验证的最终评价结果分析,我们需要使用重量方程的过程中验证。体重方程的优点之一是,它可以用于向量计算。向量计算可以测量的方向估计价值和评估结果。计算公式如下: 在哪里C是向量的损伤程度评估分析结果;D是向量的价值影响因素的损伤位置;P损伤程度的量化值;和和用于表达重量和正式的重量损失恢复能力。

运动损伤评估模型的原理图如下。

如图5,运动损伤治疗模型构建在这篇文章中,我们量化运动损伤的具体情况根据上面的三个评价指标设置和初始样本数据,索引值的主要包括三个模块:身体健康程度,伤势恢复困难,和精神状态。然后,定量数据输入作为模糊神经网络的输入样本,综合评价和分析结果的运动损伤的程度通过突变模糊神经网络算法。

3.3。运动损伤估计基于突变模糊神经网络模型

我们把运动损伤模型与模糊神经网络。在构建基于突变模糊神经网络评价模型,我们也解释统计数据的差异,也就是说,数据突变指数。变异指标是一个非常重要的指标,它可以帮助我们理解数据的整体特征。突变指数在异常检测中发挥着重要作用。摘要突变指数是用来改善模糊神经网络算法,改进算法是适用于多维数值数据。

运动损伤的评价模型,确定特征隶属函数和模糊推理规则实际上是一个问题,找到最优参数在参数空间。与其他算法相比,遗传算法具有更好的鲁棒性和全球性的,所以它的神经网络具有更好的优化效果,模糊系统,和其他算法处理大规模复杂数据,可以大大提高原算法的精度和效率。本文基于模糊神经网络算法,遗传算法用于优化它,包括优化隶属函数参数和规则的权重,以便扩大算法的组合的优势,获得更精确和可靠的结果的评估和分析运动损伤的程度。具体的过程如图6。

在这项研究中,使用遗传算法优化模糊神经网络,并在此基础上,隶属函数参数和规则权重值进行了优化,以获得一个简化的、稳定的、可靠的算法模型。

4所示。实验结果和分析

建设后的运动损伤评估基于突变模糊神经网络模型,通过实验分析,以贝叶斯模型和拉格朗日模型为运动损伤评估的比较模型,以便进行评估分析的准确性和效率。如图7的比较结果的准确性三个不同的模型估计和运动损伤的分析结果显示。

从图可以看出7,贝叶斯模型和拉格朗日模型的精度估计的运动损伤开始维持在80%左右,但随着增加样本量,评估的准确性也逐渐减少。当样本容量达到50岁,两个比较模型的评估精度下降到60%左右。的结果的评估和分析运动损伤程度的突变模糊神经网络的模型表明,突变模糊神经网络的模型保持高精度水平增加样本大小的整个过程从10到50岁和精度超过90%。构造的结果表明,该模型给出了充分发挥优势模糊系统和神经网络算法的精度水平和精度有明显的提高。

此外,我们也做一个比较分析评价效率的三个模型。三种不同模型的比较结果如图所示8。

它可以看到从图的比较结果8,随着越来越多的样品由横坐标处理分析、突变的时间曲线构造模糊神经网络模型在本文中总是低于贝叶斯模型和拉格朗日模型,表明其运行效率高于两个比较模型。本文模型能保持相同的效率高,这充分反映了模糊神经网络的优点。

为了测试模型的评价结果之间的差异构建本文和其他模型,基于运动损伤评估的突变模糊神经网络模型,我们设置了损伤模型相同的索引,然后添加另一个两个模型,即贝叶斯模型和拉格朗日模型、统一的评价和分析。结果如图所示9。

从图可以看出9同等程度的运动损伤,这三个模型的评价结果在一定程度上是不同的,主要是由于这三个模型的分析精度的差异。对于受伤的同意程度,精度高可以使分析结果更准确、可靠,在处理大量的样本,它可以保持一个良好的判断力指数标准,减少不必要的错误,应用程序中发挥着重要作用的突变模糊神经网络算法的参数评估更多的体育领域,包括运动损伤程度评估和分析。它提供了可靠的理论依据的扩展突变模糊神经网络领域的运动。

此外,我们还将常见的足球运动员运动损伤为例,测试分析结果的运动损伤程度评估基于突变模糊神经网络分析模型。足球是世界上最受欢迎的运动之一。在体育赛事和普通训练,运动员的运动损伤事故经常发生,概率大约是每1000小时10 - 35例。同时,受伤的程度也积极与游戏的强度有关。因此,它将是一个重要的工作估计和分析足球运动员损伤的程度。通过大数据和人工神经网络算法,可以节省大量的人力资源成本。如图10中建立的,该算法模型分析样品的实验结果在中国足球受伤。

首先,我们把足球运动员的损伤程度分为五度,也就是说,A, B, C, D和E,根据指数由专家、代表微的五度,轻,中,高,危险。然后我们混合所有的样品和样本输入到算法模型构建本文的实验测试和评价结果的这五个程度的损害。从分析结果图9可以看出,运动损伤程度评估模型基于突变模糊神经网络算法本文构造具有良好的识别能力,及其评价和分析能力几乎没有区别手工分析的指标,从而很好地保证了精度,表明该算法在一定程度上的可靠性。它提供了很好的理论依据算法在未来取代人工分析。

接下来,我们也使用模型构建本文来分析不同运动的损伤程度,使误差比较,结果如图所示11。

结果表明,对于不同的运动,本文模型构造精度高,误差值不超过1。在各种运动中测试,运动损伤的结果估计的准确性和分析有关骑和足球需要改进,而滑动运动的准确性很低的误差值,这是相当高的。通过这个实验,证明本文构造的模型可以广泛应用于各种运动,包括但不限于体育测试,表明该模型具有良好的性能的评估和分析各种体育运动损伤程度,表明,该模型具有良好的通用性和高准确性。

5。结论

基于算法模型的突变模糊神经网络,本文提出并构造一个运动员运动损伤的评估和分析模型。通过模糊神经网络模型和算法的结合,我们可以弥补他们的缺点,充分发挥他们的优势,以提高算法的效率和输出结果的准确性。通过实验验证,与贝叶斯模型和拉格朗日模型相比,基于突变运动损伤评估模型本文构造模糊神经网络具有更高的精度和效率。同样的运动损伤,这种模式的结果接近人工评价和分析的结果在某种程度上,这可以大大提高操作效率和可靠性同时有一定的数据。为不同的运动,该模型有一个低程度的错误,这表明它是通用的评估和分析各运动损伤的程度。运动损伤评估模型基于突变模糊神经网络构造在这项研究可以系统地评估和分析运动员的运动损伤程度并提供大数据算法的理论基础对预防运动损伤,保证运动员的安全。然而,本文提出的算法模型是计算机仿真的结果和人工评估。仍有一定的实际应用和现实之间的差距,和研究数据的验证需要进一步扩大未来的研究工作。

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

进行这项研究的一部分,作者的就业在山西医科大学。

的利益冲突

作者宣称他们没有竞争的经济利益或个人关系可能出现影响工作报告。