文摘
传统的篮球教学模式不能满足学生的需求为篮球战术的基本合作。因此,一个基本的篮球战术教学系统的合作基于人工神经网络的研究和设计。系统有一个专业的篮球比赛视频战术学习模块。篮球比赛视频的事件通过卷积神经网络进行分类,结合老师的解释使学生有一个直观的理解篮球战术的基本合作然后设计篮球比赛模块基于BP神经网络,为学生提供一个在线篮球战术训练平台。最后,老师分数的实际性能的现场培训学生在篮球战术的基本合作通过战术计分模块在系统上。结果表明,在全球和集体运动模式的引入,卷积神经网络的分类精度提高了22.48%,具有显著的优化。篮球比赛视频事件分类的平均精度为62.35%,和抢事件分类的精度提高到95.28%。BP神经网络的识别率结合动量梯度下降法为75%,体重调整的数量少,内存很小,同时确保运行速度快。学生接受基本的篮球战术合作教学体系基于人工神经网络对篮球教学有一个总分为27.99±2.11分交流国防合作的总体得分为24.12±2.03,高于对照组。上述结果表明,篮球战术的基本合作教学体系基于人工神经网络具有良好的教学效果在改善学生的篮球战术的基本合作能力。
1。介绍
随着全民健身的时代,篮球运动已成为一个受欢迎的选择大学生。然而,在传统的篮球教学中,它主要取决于体育教师的解释和示范。体育知识的教学中有一些限制通过简单的肢体语言和口头语言(1]。特别是身体示范的瞬时特征决定,学生只能观察记忆痕迹形成的信息在很短的时间内完成运动技能的锻炼。不同的学生有不同的掌握同样的技能,和教学效率很低(2,3]。同时,篮球战术的基本合作是指两个或三个进攻球员之间的简单合作方式来攻击对方的篮子,其中包括通过减少合作,合作,协调合作,突然点合作(4]。传统的篮球教学难以满足学生的需求来提高篮球战术的基本合作能力。因此,卷积神经网络用于自动分析篮球运动的事件视频来提高球员的篮球战术的基本合作的理解。然后一个篮球游戏模块基于BP神经网络的设计。最后,一个篮球战术基础教学体系提出了基于ANN的合作。
篮球比赛是一个对抗模式,即表示为全球和集体运动模式(GCMPs)视频。Ozkan等人提出,篮球可以帮助人体保持身体活力水平,改善人们的生活质量,并改善身体的适应环境的能力5]。Stavropoulos等人提出了视频模拟可以用来提高决策的有效性在入侵体育技能。结果表明,玩家通过电脑屏幕和虚拟现实学习在线篮球视频耳机有较高的篮球战术得分比那些只看NCAA决赛视频6]。Chuckravanen等人发现,在体育运动中,建立一个有效的节奏能使运动员肌肉骨骼组织和控制活动和心理在一定程度上,它可以提高有效运动的效率(7]。Mandic等人在NBA的分数统计和欧盟篮球比赛从2000年到2017年,发现篮球队的成功离不开适当的篮球战术,这是块的数量密切相关,在篮球防守篮板,罚球8]。神经网络算法是一种新型的元启发式算法开发的灵感下生物神经系统和安。张等人提出了基于教学和学习的一种优化算法,可以确保网络算法具有更快的收敛速度和减少落入局部最优的可能性(9]。洪等人提出,学生的学习状态可以通过识别理解学习者的面部情绪,和卷积神经网络会自动学习必要的特性的整体形象10]。
朱镕基等人提出,在教学过程中,学生的教学效果取决于他们的个人兴趣,教师的教学水平、教学模式、同行学习状态,和其他因素。与离线课程相比,在线课程、体育游戏、和其他教学模式可以达到更好的教学效果11]。奈克等人设计了一个基于神经网络的功能链接使用改进的启发式优化方法教学元素,简化了分布式网络流量,避免了重复参数处理和提高信息处理速度12]。ANN算法广泛应用于各种行业。帕森斯等人使用支持向量机,朴素贝叶斯和再技术来过滤的脑电图数据参与游戏和可穿戴传感器技术检测玩家的神经认知和情绪状态。发现当玩家玩这个游戏,他们可以有效地改善相应的决策能力计算和压缩能力(13]。殷等人使用了安从高保真数据获取特定模式,然后构造一个数据驱动的湍流模型显著提高预测精度(14]。使用ANN技术、香港等人构建了一个通用框架,导致污泥混叠修正,这减少了检测误差不同混叠条件下(15]。
除了篮球教学的领域,人工智能模型广泛应用于各种科学领域。Najafzadeh和Barani建立了基于遗传规划的分组数据处理模型和反向传播系统预测桥墩冲刷深度,这显然是优化与传统方程(16]。邓构造台风综合损失预测模型基于主成分分析和BP神经网络模型和优化使用Levenberg马夸特(LM)算法(17]。Najafzadeh等人提出使用一种自适应神经模糊推理系统和支持向量机预测的局部冲刷深度渠道长期收缩,发现自适应神经模糊推理系统的预测能力较好(18]。从地铁十字转门客流数据,杨等人使用安估计乘客的数量在每个跟踪部分和预测地铁的客流运输系统(19]。
总之,有很多研究安,篮球战术,体育视频教学,教学模式,等等,但缺乏篮球战术基础研究结合安和教学系统(20.]。针对这一点,本文提出了ANN-based篮球战术基本合作教学系统,它主要由篮球战术的基本合作视频学习模块,篮球比赛训练模块,和篮球战术的基本合作能力评分模块提供更多有效的方法提高学生的基本的篮球战术的能力。GCMP分类方法基于卷积神经网络用于智能分类和分析篮球比赛视频事件,为篮球战术教学提供物质基础。multifeature融合的分类分析方法有更好的分类效果比传统的单一域运动分类模型。利用BP神经网络设计篮球比赛战术决策训练系统,与其他神经网络模型相比,它提高了游戏的AI智能和识别模块和提供了一个训练篮球战术教学的平台,这是创新和开拓。
2。篮球战术教学系统的设计依据
2.1。视频学习模块的设计对篮球战术的基础
通过分析各种事件的篮球比赛视频,本文开展了篮球战术教学的基本合作。篮球战术的基本合作视频属于多人合作的视频。视频中目标和国防等事件全面表达了几个人的行为。战术分析的任务和学习是复杂和艰巨的21,22]。在此基础上,提出了篮球视频事件的分类。
在图所示的两级事件分类方法1使用全球和组运动模式(GCMPs)完成事件的预先分级EVENT-OCC视频片段。首先,篮球活动大致分为五类:三分投篮,罚球,2点,扣篮,偷窃。然后,卷积神经网络用于提取GCMPs的空间特性,详细分类和上篮,2球。最后,篮球活动分为三分成功/失败,罚球成功/失败,其他两点成功/失败,上篮成功/失败,和大满贯成功/失败23]。它可以表示为 。成功和失败的预测向量 。预测事件中的任何一个元素都是0如果不是1。
在公式(1),的向量 ; 克罗内克积操作;的向量 ;克罗内克积操作后,可以表示为 向量。
如图2后,提取GCMP表达式的篮球视频播放器光学流图,GCMPs的空间特征提取的卷积神经网络。卷积神经网络由五层和卷积三完全连接层。fc6 fc8都完全连接层。
方程(2)之间的大小关系的表达每一层的输入和输出,是大小的输入特性的地图吗层,是相应的输出功能层的地图的大小,卷积过程的步长,的卷积核的大小吗层;D我表明边长扩展的长度。一般来说,默认值是0。在本文中,我们使用长短期记忆(LSTM)介意GCMPs的时间特性,完成连续帧的事件分析。当LSTM单元的输入时间是和重量矩阵 , 作用于的输出隐层的时间和相应的输入在时间,这种效应将继续转移到输出下次的隐层(24,25]。也就是说,每一帧视频的处理应根据时间序列:
在方程(3),视频的长度,是视频帧, 卷积GCMPs的空间特征提取的神经网络。
在方程(3),是一个隐藏层的输出由256维特征向量,在哪里是视频帧的数量,的响应值吗神经元的分类层,是一个常数。
在方程(5)和(6),代表的类别和数量是一节段的预测向量。的预测评分矩阵框架是由 。一节段的预测矢量可以通过计算获得的平均得分矩阵T帧的视频片段。得分最高的类别可以视为视频片段的事件类型。
如图3,中相应的视频帧的空间特性postevent视频片段通过卷积神经网络提取。卷积神经网络输出预测价值的每一帧视频片段并获得国家分类视频片段的投票。篮球比赛视频的输入变量是通过卷积神经网络的映射提取。最后,事件的视频片段是输出分类结果。
2.2。决策模块设计的体育比赛
后分析和学习篮球视频,在线篮球战术的基本训练是通过决策模块进行的篮球比赛来提高篮球战术的基本合作水平。篮球比赛的决策系统的基础上,设计了BP神经网络算法和聚类分析。
图4展示了篮球比赛的游戏系统的基本流程模块。系统由一个在线决策阶段和离线学习阶段。前者是负责发送相应的决策指示全国人大根据球员的具体操作行为。后者主要用于数据处理,确保连续进化神经网络的学习26- - - - - -28]。
在图所示的BP神经网络5由神经元组成,重量、激活功能,等等。输入变量输入的BP神经网络输入神经元。后层映射的神经网络结构和重量等一系列的调整和激励函数,它到达输出层获得最终的输出变量(29日]。的输入和输出状态我隐层的神经元
在方程(7),指的是输入的值在隐藏层节点和节点之间的权重输入层节点。输入的值输入层节点的阈值在隐藏层节点表示和 ,分别。输出神经元的数量 。
方程(8)的输出值的表达式隐层节点;的激发函数隐藏层。
方程(9)的输入表达式输出层节点。输入的值在输出层节点的表示 ,和隐层神经元的数目。的阈值在输出层节点的表示 。
方程(10)的输出值的表达式输出层的节点。与传统的人工智能技术相比,篮球游戏AI与神经网络具有处理速度快的优势,高稳定性和很强的学习能力。
方程(11)是激发函数;其范围是(0,1),输入值的变化大大接近0,它可以平衡行为之间的线性和非线性,提高神经网络的非线性映射能力。
公式(12)是BP神经网络的迭代过程的表达。所有神经元的权值和阈值组成的向量表示 ; 显示了神经网络的学习速率。目标函数及其梯度表示和 ,分别。改进BP算法的收敛速度,动量词引入BP算法。
在方程(13),和分别代表权重矩阵和输出向量;介绍的动量系数表示 ,和是调整时间。
表1是游戏的实时数据的格式。X1,Y1,…,D2作为神经网络的输入,X和Y被用作输出移动目标的位置坐标,15隐藏神经元集合,然后呢 是隐藏层激发函数。篮球比赛模块基于BP神经网络的构造。在这个模块中,归一化相关的游戏数据是通过线性函数转换完成的。
在方程(14),归一化值和吗是初始值。的最大价值是 ,和最小值 。
在公式(15),是集群中心的数量。从集群中的所有样本的平均距离集群所表达的中心 。集群中所有样品的平均距离集群所表达的中心 。之间的距离和表达的是 。 指的是有效性指数,这是一个基于距离测量示例集群不同集群中心。找到最优簇数通过集群中心的数量对应于最小值(30.]。
如图6,玩家可以通过系统进行在线篮球战术训练。篮球运动员选择控球时,神经网络将判断球处理策略本身并根据球员的传球和投篮的选择。当篮球运动员选择不球,决策神经网络的一部分,负责移动,根据玩家的操作动作。
根据图7、篮球战术的基本合作教学体系基于ANN包括五个模块:篮球战术分析模块、战术分析影响评价模块,在线篮球战术基础合作训练模块,在线性能得分评价模块,和现场操作评分模块。训练篮球运动员首先分析和学习篮球战术的基本合作通过篮球比赛视频,然后巩固和开展篮球战术的个人操作基本合作使用在线篮球比赛。最后,老师得分的球员进行场篮球比赛根据评分模块的操作。
3所示。篮球战术的应用效果研究基本合作教学体系基于ANN
3.1。篮球比赛视频事件的有效性研究分类模块设置
验证的有效性研究和设计的篮球视频事件分类、视频片段在NCAA数据集选择,他们的固定长度是扩大获得NCAA +数据库。二百五十年奥运会是随机选为实验数据,其中200是随机选择50训练集数据和测试集数据;2483年从测试集语义事件是随机选择的。
如图8引入GCMPs之后,整个篮球比赛视频事件分类结果的准确性没有引入GCMPs从45.00%上升到67.48%。罚球事件的分类精度提高了72.13%,上篮和其他2点事件增加了12.76%,扣篮事件增加了11.17%,和抢事件增加了17.08%。整体的篮球视频事件分类精度提高了22.48%。
如图9160年,有580个三分事件,罚球,428上篮,其他671 2点事件,30扣篮,614次抢断2483语义事件的视频片段随机选择从测试集。结果表明,篮球比赛事件分类的平均精度为62.35%,罚球的分类精度和抢夺事件是94.38%和95.28%,分别。上述结果表明,在这项研究中,提出的篮球战术基础结合学习视频模块,可以帮助用户直观的了解篮球活动以最快的速度和跟踪和分析职业篮球运动员的战术实时通过不同类型的篮球比赛视频事件的分类。最后,我们可以加深我们的掌握篮球战术。
3.2。篮球比赛模块设置的有效性
来验证实际效果的BP神经网络算法在篮球比赛中,实验平台MATLAB被选中时,训练样本的数量是1000,测试样品的数量是2268,最小误差值是0.001,训练的总数是5000,和相应的内存消耗和识别率在不同训练算法。
如图10,BP神经网络的权重调整时间基于驾驶量梯度下降法只有921次,识别率达到75%,内存消耗小,表面梯度误差为0.0022,均方误差是0.00176。BP神经网络的重量调整5000次,识别率是57%,内存消耗小,表面的梯度误差为0.0504,均方误差是0.00431。使用鲍威尔Beale共轭梯度方法,BP神经网络权值调整1054次,识别率达到79%,内存消耗很大,表面梯度误差为0.0002,均方误差是0.00100。的整体应用效果分析的神经网络BP神经网络基于驾驶量梯度下降法不仅跑得快,还占据了少量的内存,这将不会导致图像内存分配的衰落引起的过度的人工智能部分占据的内存。
(一)
(b)
(c)
(d)
如图11,篮球法院和球员一半大小的像素是1000×500和20×20,分别。蓝色和灰色是攻击者。玩家控制着灰色的角色。绿色是后卫。空心圆表示控制篮球球员。防守性的目标是保持攻击者之间的距离和篮球框,防止攻击者攻击。的运动策略在进攻端两个蓝色的人物是保持一定距离PG,试图摆脱防守球员的移动。根据实际情况和环境因素的玩家在游戏中,玩家使决策推理,最终使战术决策如射击,传球,抢,逐渐掌握篮球战术的基本合作的重要性,在游戏中不断提高篮球战术的基本合作的能力。基本的篮球战术的基础上,安中发挥着重要作用改善基本的篮球教学的吸引力,激发学习者的学习兴趣。
3.3。分析教学系统的实际应用效果
来验证实际的篮球战术教学效果基本合作教学体系提出了在这项研究中,学生们(实验组,50名学生)接受了篮球战术的基本合作篮球战术教学系统学习知识和学生(对照组,50名学生)接受传统的篮球教育模式是在实验中选择战术基础内涵特色(时间、空间、合作、规律性、适应性、有效性、技术动作)和其他两个方面得分,并通过t以及比较了两组学生的得分差异, ,数据具有统计上的显著差异。
如图12的时机、规律性、有效性,压力,包括合作和技术动作,实验组的成绩获得篮球战术的基本合作的教育教学体系基于ANN高于对照组接受常规户外篮球教育,但是差异没有统计学意义 。实验组的成绩高于对照组在空间和合作方面,和数据具有统计上的显著差异 。从封面合作的总体分数的分析,可以看出整个实验组的平均得分是1(27.99±11),这是明显高于对照组 。上述结果表明,ANN-based篮球战术的使用对篮球战术基础教学体系教育与基础教育可以实现传统教学模式的教学效果和学生有一个更全面的理解基本的篮球战术盖和盖更大程度上他们自己的能力。
(一)
(b)
如图13的时机、规律性、有效性、适应性和技术交流国防合作,实验组的成绩获得篮球战术的基本合作的教育教学体系基于ANN高于对照组,但差异无统计学意义 。交换空间和合作方面的防御,实验组的成绩明显高于对照组,差异具有统计学意义 。从交流国防合作的总体得分,得分交流国防合作的学生收到了教育的基本的篮球战术教学系统是±53)(28.47 - 4.67),也显著高于对照组(24.121±03),和数据具有统计上的显著差异 。上述结果表明,教学系统的应用基于ANN的篮球战术教学过程的基本合作能明显提高学生的交流能力和求职的国防合作合作能力,提高学生的篮球战术基本全面合作的能力。
(一)
(b)
4所示。结论
篮球战术教学是篮球教学的难点。传统的篮球教学方法很难达到预期的教学效果在篮球战术教学中。因此,一个基本的合作进行篮球战术教学的系统研究和设计了基于ANN。系统主要由职业篮球比赛视频战术学习模块和篮球比赛模块基于BP神经网络。篮球战术基础由评分模块。引入GCMPs之后,卷积神经网络的分类效果明显改善,增加22.48%的分类精度。的总体分类精度GCMPs基于卷积神经网络分类方法已经被提高到62.35%,其中抢断和罚球的分类精度达到95.28%和94.38%,分别。这有助于学生提高战术的清晰认知的篮球视频事件。在篮球游戏模块,驱动量梯度下降法的BP神经网络方法。识别率是75%,内存消耗小,和网络权重调整的数量只有921人。 It can run quickly, avoid the proportion of image memory allocation, and ensure the image quality of the game. The overall average score of students receiving the basic basketball tactics cooperation teaching system education is (27.99 ± 2.11) points, and the score of exchange defense cooperation is (28.47 ± 1.53). The scores of the two abilities are higher than those of students receiving conventional basketball education. The game training module can effectively improve students’ basic tactics cooperation ability. Data mining and analysis of past basketball game videos is an important way to improve learners’ basketball tactics. The follow-up research will focus on data mining on basketball game videos and real-time tracking of tactics.
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
支持的工作是研究辽宁女子篮球后备人才的训练的背景下体育教育集成(没有。L20BTY023)(辽宁省社会科学规划基金项目)。