文摘

大数据的高级分析和研究方法将提供理论支持为一体的运动员人才培训。大数据的先进的技术方法也将充分发挥的优势利用的潜力人才,积极改善基层年轻运动员的成功率。本文提出了一种改进的自适应粒子群优化(阿普索犬)算法优化的径向基函数(RBF)神经网络参数。介绍了RBF神经网络的基本结构和参数对RBF神经网络的性能的影响进行了分析。RBF神经网络参数的优化方法,分析了选择和粒子群优化(PSO)算法的RBF神经网络的参数优化方法。此外,一种改进的皮犬算法根据算法的优缺点和相比其他PSO算法。实验结果表明,改进的PSO算法具有更好的精度。改进的PSO算法应用于RBF神经网络的参数优化和实验结果证明该方法的优越性。通过加权二级指标,二级指标的权重运动员竞技能力的技能,运动质量、心理能力、和艺术表达。技能是决定竞技能力水平的主要因素。 Sports quality and psychological ability are important guarantees for supporting the normal performance of skills. Artistic expressiveness is a supplementary factor for competitive ability. The various elements cooperate with each other and interact with each other. The indicators do not exist alone but cooperate with each other to support the formation of the entire athletic ability system. In the content of the competitive ability index of excellent athletes, technical ability is the core, and sports quality, psychological ability, and artistic performance ability ultimately exist to serve the improvement of technical ability. The competition scores of the 100 athletes counted in this article are all above 9.0 points. The difference between APSO-RBF’s action quality scores of 100 athletes and the real value is less than 3%. In terms of movement difficulty, the APSO-RBF evaluated athletes’ scores are close to 1.65 points, which is basically the same as the real value.

1。介绍

在当前阶段,运动员的基层培训,国家竞技体育当局已经意识到这个问题,已经开始推广和倡导的思想理念客观数据来指导运动员基层教练,特别是在国家第一和第二级的培训教练(1]。课堂教学平台促进大数据应用到实际教学的概念,并使用这个方法来尝试解决各种问题造成的主观判断在培养人才的工作2]。因此,必须充分尊重客观数据,同时,自然训练数据不断增长的数据量和坚持使用大数据监控了很长一段时间。另一方面,从运动员的角度,还需要加强思维的概念以客观数据为大的。学会善于积累自然数据,同时扩大时间轴上的数据积累,你会发现很多问题,没有注意到在过去(3]。

竞技体育的一个重要特性就是不断探索运动员的竞争潜力,不断提高他们的技术水平。从第一届奥运会到现在,运动训练的发展所追求的目标——训练是最好的促进改善运动员的物理层和最大化的发展运动员的竞技能力(4]。竞争能力是运动员的能力有效地参加训练和比赛。它由体能、技能、心理能力、体育情报不同表现形式和不同的功能和全面体现特殊的训练和比赛的过程中(5]。其中,运动员的体能是指运动员的身体的基本运动能力,这是一个运动员的竞技能力的重要组成部分。身体健康是通过运动员的形态特征、表现的各种生理系统的功能,和运动素质。之间的关系运动员的体能、技能和心理能力,相互联系并限制,体能是形成运动员的基础技能,这远远大于运动能力的硬件6]。这一特点决定了它是竞争能力的物质基础。

径向基函数(RBF)神经网络是一种局部逼近网络。如果网络隐层节点的数量足够大,它能以任意精度逼近任意连续函数和全局最优特性和最佳逼近,没有其他前馈网络。如何实现自适应调整RBF神经网络的结构优化RBF神经网络的参数,改进RBF神经网络的性能,并提高其应用能力,是一个迫切需要解决的问题设计和RBF神经网络的应用。针对问题的粒子群优化(PSO)算法过早收敛和容易陷入局部收敛,一种自适应粒子群优化(阿普索犬)算法设计。使用粒子种群的多样性和粒子的飞行状态信息,我们自适应地调整粒子飞行参数,以更好地防止粒子陷入局部收敛和平衡粒子的全局和局部搜索能力。实验结果表明,本文提出的皮犬搜索精度高于其他改进算法:。通过分析RBF神经网络参数优化的特点,算法用于优化RBF神经网络参数。针对缺陷的标准PSO算法容易陷入局部最优,在PSO全局搜索和局部搜索的主要影响因素进行了分析。根据粒子的飞行信息,提出了一种自适应惯性权重调整策略,皮犬算法设计,它是用来优化RBF神经网络参数。运动性能的竞争本质上是一个竞争的竞争能力。 Therefore, good competitive ability is an important guarantee for achieving excellent sports performance. It determines the level of athletes’ competitive ability. Only by developing athletes’ competitive ability can their sports performance be improved. Competitive ability refers to the ability of athletes to participate in competitions. It is a comprehensive manifestation of the skills, physical stamina, and psychological abilities that should be possessed in competitive competitions. The structure of the following article is as follows: in Section2,我们致力于讨论相关工作;节3,我们研究运动员的竞争力评价研究方法;节4径向基函数神经网络基于皮犬优化设计;节5神经网络,我们致力于APSO-RBF运动员的竞争力评价结果和分析;部分6是全文的结论。

相关学者指出,由大数据驱动,可穿戴设备的移植技术应该积极探索7- - - - - -9]。它可以积极建立一个信息管理平台,运动员训练和比赛,这有利于大数据集成的有价值的数据信息,如功能性消费、技术跟踪和战术分析。移动数据传输的方式,教练可以实现可视化的调整现场运动员的功能水平,技术和战术的调整,从而形成一个完整的信息的运动员的训练,和竞争,强烈支持的科技(10- - - - - -12]。

许多人工神经网络中,RBF神经网络已成为一个研究热点,中外学者近年来由于仿生学背景,简单的网络结构设计,和坚实的数学基础13- - - - - -15]。RBF神经网络只有一个隐藏层。隐藏层由非线性径向基函数,但隐层到输出层是线性的。因此,优化算法可以用来解决问题,如当地的最低标准。与其他神经网络相比,RBF神经网络的主要优势是,除了结构简单,它可以在本地使用非线性函数来近似非线性的输入和输出映射。全局非线性逼近函数,因为当地的调整神经元是更快的16- - - - - -18]。RBF神经网络已成功应用于工程领域,如模式识别、图像处理、数据分析、非线性函数逼近,系统建模、信息处理、时间序列分析、控制和故障诊断。

许多早期的SLFN-type网络使用第一个随机选择的训练数据点为中心的RBF神经元时设置网络参数,然后使用奇异值分解来解决重量(或高度)的RBF神经元。相关学者使用k - means聚类方法来确定径向基函数的中心(19,20.]。这种方法被广泛用于RBF网络的学习,但该算法对初始聚类中心敏感。研究人员创建了一个方法,使用梯度下降训练RBF中心(选择21]。这个算法被称为广义径向基函数(GRBF)。正交最小二乘(OLS)算法提出的相关学者选择输入数据,影响最大的输出神经元的网络为中心,并将其添加到RBF网络一个接一个,直到适当的网络构造(16]。这个方法没有数值坏脾气的问题,简单、高效,但选择的不一定是最简单的网络结构。研究人员还提出了正则化正交最小二乘(的方式)22]。结合OLS方法和正则化方法可以训练的RBF网络和广义网络结构简单、性能优越。相关学者使用键向量而不是集群中心构造RBF网络,第一次使用支持向量机(SVM)计算支持向量,并使用这些向量作为神经元的中心(23]。实验表明,基于支持向量的RBF网络具有更好的性能比常用的RBF网络。

目前,越来越多的基于少量的RBF神经网络算法训练RBF神经元问题提出了(24,25]。在培训过程中,有一段叫做“增长周期。”;在这个周期,满足两个分割标准的神经元分成两个新的神经元。这个学习计划提供了一个框架,结合现有的监督和非监督对日益增长的RBF神经网络的训练算法。增长和Pruning-RBF (GAP-RBF)算法计算每个神经元的“意义”基于神经元网络的平均贡献通过所有输入输出数据26]。评估后神经元,它可能仍然在网络或被消除。这个过程可以大大减少网络大小和训练解决问题所需的时间(27,28]。

3所示。运动员的竞争力评价研究方法在大数据平台的竞争信息管理

3.1。运动员的竞争信息管理大数据平台

大数据的应用可以有效地扩大物理数据的维度指标的选择青年竞技体育,物理和生化数据指标的维度相关的技术和战术,和相关的客观数据指标,有效地描述了心理因素对运动员的影响,可有效解决主观因素(29日]。缺乏客观依据的问题提供了更客观的指导人才的选择和培养人才的整体工作,以及科学依据的教练。

利用现代技术来收集大量数据,并把有限的教练资源从繁琐的日常技术统计工作已经应用于其他竞争事件类似于乒乓球。一些国内知名教练和研究学者们极大的关注。智能运动传感器监测运动员的运动轨迹通过六轴的摆动技术实时多维运动传感器和传输监测数据实时背景模拟装置进行处理。软件提供实时雷达图像反馈,最后所有的体育培训类直观地显示出来,最后形成大量的可视化数据。除了分析运动员的特点特征,进攻策略,和身体健康,“USENSE”也可以实时捕捉和分析运动特征基于球拍的轨迹,让教练迅速和全面理解运动员的整体运动状态的实时数据,也帮助运动员实现技术技能。基于分析结果,它提供了一个清晰的方向制定球员的比赛风格和策略,从而有机地整合传统教学方法和大数据分析方法。图1展示了运动员的大数据平台竞争信息管理。


图1
运动员的竞争信息管理大数据平台。
3.2。层次分析法

层次分析法(AHP)的基本原理是将一个相对复杂的问题分解成多个单小问题,每个小问题都有其影响因素,这些影响因素进行分类和分组,根据一定的关系。这也是一个方法,可以决定一些相对复杂和模糊的问题,尤其是对一些难以定量分析的问题。使用层次分析法的思想和步骤来计算重量如图2。


图2
施工过程的运动员竞技能力的评价指标体系。
3.3。模糊综合评价方法

模糊综合评价的方法主要是用来制造一个羽毛球运动员的竞技能力的总体评价。通过定性评价转化为定量评价,加上它清晰而系统的结果,科学的综合评价最终获得(30.]。本研究的研究设计框架是如图3。


图3
本文的研究和设计框架。

4所示。径向基函数神经网络设计基于皮犬优化

4.1。RBF神经网络

RBF神经网络是一个典型的前馈神经网络。RBF神经网络的结构通常是由三层:输入层、隐藏层和输出层。输入层直接将输入向量映射到隐层,隐层的输入。从输入层到隐层是一个非线性映射,并从隐层到输出层是一个线性映射;也就是说,网络的输出输出的线性加权和隐层的结果。

隐藏层上执行一个非线性变换的输入向量,将低维输入向量映射到高维空间,和解决无法解决的问题在高维空间中的低维空间。k在隐藏层神经元的输出

其中,ϕkk隐层神经元的输出,然后呢μk和σk分别代表的中心和宽度k隐藏层神经元。在培训过程中,中心和宽度将根据样本动态调整。k= 1,2,…K,K隐层神经元的数目。

第三层是输出层的输出响应隐藏层。映射函数是一个线性函数,这是一个每个隐层的输出结果的线性组合通过连接权重。表达式如下: ,其中, 之间的连接权重kth隐藏层神经元和网络的输出。根据RBF神经网络的结构,RBF神经网络的参数包括中心价值μk,宽度σk,体重和连接工作。这三个参数的最终确定神经网络的性能。因此,如何更好地优化RBF神经网络参数显得尤为重要。

4.2。RBF神经网络参数优化

当结构决定,RBF神经网络参数确定其最终的性能。在RBF的早期研究中,参数优化RBF神经网络研究的重点。研究发现,当的中心和宽度确定RBF神经网络,网络成为一组线性方程从输入到输出。此时,输出层的连接权可以通过一个简单的梯度法来解决。所谓的优化算法实际上是一个搜索过程或规则。它是基于一定的理念和机制来获得一个优化的解决方案,满足用户的需求通过某种方式或规则。

根据不同的方法选择RBF函数的中心,RBF神经网络参数的学习主要包括梯度和进化算法。梯度方法需要很长时间的发展,产生了许多更好的算法,如梯度下降法、牛顿和LM算法,等等。其中,误差反向传播(BP)算法是最简单的梯度算法,也是最受欢迎的和广泛使用的算法。然而,BP算法需要很长时间才能收敛和可怜的全球搜索功能。与BP算法相比,递归最小二乘(RLS)算法具有更快的收敛速度。然而,RLS算法涉及更复杂的数学运算和更多的计算空间。

遗传算法主要包括选择、交叉、变异,和其他流程。遗传算法的交叉变异使它具有更强的全局搜索能力,但其复杂的操作过程也使其初始化参数和计算复杂性增加。PSO算法没有cross-mutation运行遗传算法。过程中粒子的搜索,搜索方向是根据所传播的信息调整其他粒子和粒子本身的信息。这个更新模式使得粒子群结构简单和更少的操作参数。与其他进化算法相比,算法具有更快的收敛速度。因此,在实际应用吸引了越来越多的关注,已成为一个热门的研究对象。

然而,进化算法有共同的缺点,这可能会导致过度拟合学习;特别是,当搜索空间巨大,进化算法将产生更大的计算复杂度。此外,其收敛性的分析还不完美,不能总是保证算法收敛。摘要标准PSO算法将改善和PSO优化的RBF神经网络的收敛性分析。

4.3。阿普索犬算法结构

基于人口的PSO算法是一种随机搜索算法,它源于鸟群觅食行为的研究,通过模拟的合作行为在一群鸟类的飞行,设计粒子之间的相互合作和信息共享机制,记住自己和群体的历史运动信息,并更新他们的飞行速度和飞行位置通过自己和其他个体之间的信息共享。在搜索过程中,粒子不断判断可行区域和更新当前位置,以便更好地找到最好的复杂的空间。根据这种智能行为,PSO算法,用于解决许多优化问题,它已广泛应用于优化神经网络。

4.3.1。PSO算法

PSO算法中的每个粒子被认为是一个解决方案中采用可行解空间,和粒子位置可以表示为

其中,D搜索空间的维数,我= 1,2,…年代,年代是粒子的数量。和粒子速度可以表示为

更新粒子的个体最优粒子的健身价值,如以下公式所示:

其中,功能f(人工智能(t)适应度函数,用于表达解决方案的优点和缺点。在不同的搜索时间,该组织需要不同的全局搜索能力和局部搜索能力,所以粒子不容易陷入局部最小值,可以找到全局最优解。为了更好地平衡全局和局部搜索能力的人口,惯性权重的基础上,介绍了原始的PSO算法。速度更新公式如下:

其中,ω是惯性的重量,c1,c2通常,加速常数吗c1=c2,通常需要一个值(0,2)。r1和r2随机数均匀分布在[0,1]。

4.3.2。阿普索犬算法

PSO算法的多样性起着重要的作用在提高进化的影响。粒子的过早收敛的表现是缺乏多样性。惯性权重调整粒子飞行中发挥着重要作用。为了提高算法的多样性,惯性权重将根据粒子空间状态调整。此外,由于粒子的飞行并不是一个简单的线性过程,提出了一种非线性自适应策略基于群体多样性调整惯性权重。多样性的定义

其中,f(人工智能(t))的健身价值我th粒子,我= 1,2,…年代,f最小值((t)),f马克斯((t))的最小和最大的健身时间t,分别。多样性年代(t)是用于描述粒子的运动特征,代表粒子的聚集和分散程度,反映了集团的整体搜索状态,并能反映出粒子陷入局部最优的信息。我们设计一个非线性回归函数基于多样性年代(t)调整惯性权重,使之更符合粒子飞行状态。非线性函数如下:

其中,θ是初始化常数,然后呢θ≥3。此外,每个粒子的空间状态是不同的,需要调整惯性权重自适应地根据粒子的状态来指导每个粒子的飞行。粒子和最优粒子之间的差异可以反映当前的最优粒子的区别,从而指导粒子的飞行。粒子之间的差异和最优粒子表示为

其中,f( (t)是全球最佳的健身价值。基于上述分析,自适应惯性权重策略被定义为 在哪里ωi(t)是惯性的重量我th粒子在时间t和β≥0是一个预定义的常数来改善粒子的全局搜索能力。

为了进一步提高粒子的局部搜索能力在以后的阶段,粒子速度范围限制公式,提出了使粒子速度范围逐渐缩小随着迭代的进行,从而提高了局部搜索能力:

其中,N是一个常数,值范围是[0,1],的值范围u[1.1],iter是当前迭代步骤的数目。通过改进惯性权重调整公式和增加速度范围调整公式,皮犬算法,可以更好地平衡算法的全局搜索能力和局部搜索能力的算法。

4.4。APSO-Based RBF神经网络

在RBF神经网络的参数分布在隐藏层和输出层。k在隐藏层神经元的输出

网络输出

因此,神经网络的参数包括中心价值μk,宽度σk,体重的连接 。粒子空间的维数

其中,n输入变量的数量,K隐层神经元的数目。为了使用强大的搜索功能皮犬算法来最小化网络误差函数,实现网络的预测效果,相对误差函数(RMSE)样品的实际输出与网络输出用作皮犬算法的适应度函数。适应度函数的公式如下:

其中,码(t)是实际的输出,y(t)是网络输出和Z是样品的数量。APSO-RBF神经网络的详细流程步骤如图所示4。


图4
自适应粒子群优化算法。

5。APSO-RBF神经网络运动员的竞争力评价结果和分析

5.1。APSO-RBF神经网络非线性识别实验

在这个实验中,APSO-RBF神经网络应用于非线性系统辨识。训练输入分为两个部分,其中一半是均匀分布在(−1,1),而另一半是由正弦信号的输入函数的1.01×罪(t / 45)。测试输入u(t)是一个分段函数。这个非线性系统用于验证神经网络的性能,300组训练样本和测试样本。为了验证该方法的性能,APSO-RBF比较与其他RBF神经网络结构,如图5。


图5
PSO算法优化RBF效果比较。

时间序列预测的结果和非线性系统仿真实验表明,APSO-RBF非线性系统有更好的预测效果;也就是说,它具有较高的精度。此外,改进的RBF皮犬具有更好的优化性能。与其他PSO优化的RBF神经网络相比,APSO-RBF错误率最低。

5.2。比较分析运动员的比赛成绩

运动能力的最终形式是运动性能,这是最直观的量化反映运动能力水平。运动训练的终极目标和任务是获得理想的运动性能。运动性能的质量主要取决于排名。排名主要是取决于运动员的成绩。根据竞技体育的特点和规则的国际Nanquan常规竞争,Nanquan成绩主要是基于三个部分的叠加的动作质量,性能水平,操作的困难。因此,体育赛事的性能主要取决于三个方面:质量的行动,实践的水平,和操作的困难。为了有一个更清晰的对优秀运动员的竞技能力的理解,本文对体育竞赛进行统计分析。

5.2.1。项目竞争的综合评价和分析

总共有100名运动员参加了决赛。由于本文的研究对象是优秀的运动员,本文的数据都在9.0分以上。从图可以看出6APSO-RBF算法的评价结果是最接近真实值。


图6
整体性能的评估。
5.2.2。项目行动质量分数的统计分析

从图可以看出7APSO-RBF已经很少区别100名运动员的动作质量分数和实际值,显示的有效性APSO-RBF优秀运动员的动作质量分数。


图7
统计数据的质量分数。
5.2.3。分析项目的性能水平的分数

的得分情况如图钻水平8。运动量,APSO-RBF仍然取得了最好的评价结果,因为其评估值最接近真实值。


图8
成绩统计的实践水平。
5.2.4。分析项目的难度分行动

从图可以看出9大多数运动员被APSO-RBF评估分数接近1.65分的难度动作,通常与真实价值一致。其他两个算法的评估价值大约是1.6。


图9
评价得分的行动困难。
5.2.5。指数评价运动员的竞技能力

竞争力是指运动员参与比赛的能力。它由体能、技能、心理、智力和不同表现形式和不同的功能,全面体现的过程中特殊的比赛在比赛。竞争力包括体能、技能、心理能力、战术能力,知识和能力。其中,体能可分为物理形式、身体功能、质量和体育。竞争力不仅是体力的综合表现,技能,和心理能力,还艺术价值的表达。动量和凶猛的表情在舞台上可以赢得决定性的胜利在竞争激烈的比赛在某些情况下。

竞争性能是竞争能力的最直接的表现形式。根据体育竞争绩效的统计分析,竞争性能主要取决于质量的运动,运动的水平,和练习的难度。其中,运动是主要的部分,决定了竞争的表现出色的运动员。其次,行动的质量较低。因此,统计内容的精英运动员的竞争力指标应该服务于实践水平,运动困难,和运动质量为主要目的。成功完成每个动作困难,必须确保所需的体力运动的顺利完成。水平的实践不仅是运动强度的表达式,节奏,音乐,等等,而且运动员的心理能力的体现和艺术表达,和运动的质量。完成必须基于高超的技能。因此,根据体育活动和运动训练理论的特点,我们可以制定的主要指标优秀运动员的竞争力作为体能、技能、心理技巧,艺术表演,和战术能力。

根据体育赛事的特点,每一个指标在Nanquan竞争力体系中扮演着不同的角色。主要指标,二级指标和无用的指标。能力评估的重要性,重要subabilities被保留,和重要subabilities消除。本文邀请20名专家使用五个层次的评价和分配每个指标根据其重要条件;即“非常重要”被赋予一个值为10,“重要”是7 - 9的赋值,“将军”是4 - 6的赋值,对于“不太重要”我们赋值1 - 3和赋值为0的“不重要”。专家评分分配后,使用加权方法获得的数据进行统计分析,如表所示1。

表1
转让的一级指标竞争力的重要性。

从表可以看出1的4个指标的得分技巧,运动质量,艺术表现能力,和心智能力都高于5分,这是很重要的指标。是公平的重要性的程度,所以删除。因此,竞争能力的主要组成元素技能,运动素质,艺术表现能力、心理能力。

运动员的四个元素的竞争力也符合竞技体育的发展规律,因为根据竞争Nanquan的绩效评估标准,竞争的最终性能Nanquan是由行动的质量水平的锻炼,和操作的困难。这种运动和高超的技术水平的性能必须有良好的体育素质和良好的心理能力以及良好的艺术表现力。良好的体育素质提供了一个完成的动力来源Nanquan技能,和良好的心理素质提供了一个稳定的环境来完成的技能。好的艺术表现技巧动作更加完美。

6。结论

的影响下大数据的广泛应用,我们充分利用其先进的信息技术和其他成功的经验在竞技体育的大数据,有效地将大数据与运动员竞争工作,努力减少盲目性,盲目信仰在竞争激烈的阶段。动态优化的RBF神经网络结构是一种有效的方法以确保RBF神经网络总是在一个合适的结构工作状态。为了获得一个有效的方法,RBF神经网络结构的动态调整,RBF结构调整任务的变化。的基础上,深入分析现有的研究结果,一个APSO-based RBF神经网络结构提出了优化设计方法。这解决了问题,RBF神经网络结构不匹配的实际任务,实现同步调整RBF神经网络结构和参数,从而提高RBF神经网络的性能。本文的结果表明,竞争优势是运动员的核心竞争能力,能力是运动员的关键竞争能力。竞争力的主要因素,直接决定了运动员的水平和稳定的竞争水平。能力是一个次要的因素,这是有关运动员能否顺利甚至超常竞争优势转换成运动性能。通过加权二级指标,二级指标的权重运动员竞技能力的技能,运动质量、心理能力、和艺术表达。技能是决定竞技能力水平的主要因素。 Sports quality and psychological ability are important guarantees for supporting the normal performance of skills. Artistic expressiveness is a supplementary factor for competitive ability. The various elements cooperate with each other and interact with each other. The indicators do not exist alone but cooperate with each other to support the formation of the entire athletic ability system. In the content of the competitive ability index of excellent athletes, technical ability is the core, and sports quality, psychological ability, and artistic performance ability ultimately exist to serve the improvement of technical ability.

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。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作得到了淮阴理工学院。