文摘

近年来,中国的竞技体育也发展迅速。其中,足球是一项运动,高能源消耗、高强度、强对抗,和高速度。因此,受伤是常见的在足球练习。是不可能去做足够的足球训练为了避免此类事件。目前,足球受伤事件很常见,严重限制了中国体育的全面发展。这项工作进行足球训练使用机器学习和安全管理的一个信息coverage-centralized基因技术。开始,本文详细描述了机器学习和信息coverage-centralized遗传算法,总结了机器学习的分类模型,介绍了机器学习的验证和评估过程模型和值得信赖的信息覆盖率模型作为一个足球训练安全管理的重要理论基础。然后,使用遗传算法基于覆盖率信息集中在足球训练分析足球训练的安全风险和训练速度的分析类型。结果表明,人为因素占足球训练安全事故的比例最高,占28.75%。在足球训练的分析速度,中等强度的平均通过时间占39.75%的比例最高。 In football training, in order to ensure the safety of training, the combination of medium strength and high strength can be adopted to avoid training injury.

1。介绍

作为科技行业的发展一直在增加,这是一个众所周知的事实,这些发展是由单纯提高生活标准的人不管类。这些发展越来越现实随着或引入人工智能,这都有一个特定的动机,如果它是可能的,机器可以取代人类活动或功能适用。此外,一些基于ai系统的想法,如果活动不能完全由基于ai控制的机器,这些机器可能用于援助的目的,这样的系统存在世界各地各领域如医学、霉菌素是一个基于ai系统协助医生诊断过程。在这方面,机器学习方法提出了进一步为了强调这些自动化系统如何从这些部署环境中执行特定的任务。这些模型可用于不同的应用领域,足球运动员的训练为了控制各种伤病就是这样的一个可能的应用,在本文中进行。

足球训练的训练速度和耐力。这是一个组合的有氧和无氧运动1]。足球耐力训练可延长运动员的运动强度。在足球训练的过程中,主要的训练速度和耐力训练,其中包括方向变化,短途冲刺,减速,球运动,等等。上述培训损害运动员的身体在不同程度上,所以我们应注意足球训练的安全管理2]。在这篇文章中,机器学习和信息coverage-centralized遗传算法用于足球训练安全管理,最适合选择足球运动员训练的方式来减少物理伤害。

遗传算法是一种广泛使用的搜索算法,它主要用于生成数据。其核心是设计适应度函数来分析足球运动员训练数据和设计相应的适应度函数基于它。通过分析当前足球安全设施,发现潜在的安全隐患,分析足球训练的安全风险3]。

的创新研究过程如下:(1)详细描述机器学习和信息coverage-centralized遗传算法用于足球训练安全管理,总结机器学习的分类和过程模型,评估和验证机器学习模型,建立一个可信的信息覆盖模型。(2)在足球训练,遗传算法应用到基于信息覆盖率分析足球训练安全设施的现状,判断在中国足球训练设施的情况调查显示的结果。结果表明,只有5%的-8%的教练会提前检查足球训练领域的目标,还需要穿腿警卫在足球训练。

相关工作的总结,在著名的相关和网上数据库,是一节中描述,给出如下。在这些总结,简要描述本文中提出的基本概念以及优缺点。在下一节中,遗传算法基于机器学习和信息报道集是详细描述,最初,GA与例子和解释广泛支持数学方程适用的地方。第二最后一节中,遗传算法的应用程序设计的安全管理足球训练和如何解决问题的报告和结果。结论是在文章的最后,提出支持引用。

2。相关工作

校园足球和体育的快速发展,越来越多的国家开始关注足球安全教育。提供足球课程的同时,美国还将提供一个健康课程。学生可以提高他们的身心健康,促进他们身心健康通过这门课。课程内容包括知识培训、竞争,运动损伤安全意识,预防。Vaishnavi专家提出,最脆弱的部分球员的脚踝。在训练、力量训练的一英尺跳高和着陆可以减少骨折的风险,增加骨质密度(4]。Narizuka等人选择的空间评价完成分析足球比赛。自空间评价直接影响到传递质量或球员足球运动员的形成,建立field-weighted空间评价框架基于当前目标(3]。阿塞维多等人分析了远端内侧副韧带的撕裂通常发生在足球训练和比赛的过程,确定等级的韧带撕裂,制定手术修复方案,和恢复运动员的竞争水平和手术治疗后回到现场5]。Szymanek-Pilarczyk现代足球的研究,分析了高层效率和身体健康的运动员在球场上。结果表明,运动强度可显著增加短期培训后(6]。特谢拉等人研究了足球队运动和指出,训练负荷监控是一项重要的评价方法来控制训练和足球比赛,以评估累积的足球训练和比赛负荷(7]。吴邦国和王提出,足球是一个主要的运动在中国高校。这个项目是高度敌对的,可以用来培养学生的毅力和身体素质。然而,学生们容易韧带拉伤,脚踝扭伤,手腕扭伤,和秋天在足球训练,导致学生的胆怯在足球训练(8]。足球训练的安全目标的主要原则,根据张学者,是“健康第一。“在此基础上,我们制定切合实际的学习目标和课程目标,促进学生体育安全意识(9]。大多数足球运动损伤,根据吴专家,是由运动员缺乏安全知识和注意运动损伤。当运动损伤不适当治疗或治愈,艰苦的训练使后续再次伤害(10]。钟和Wan研究校园足球的特殊训练。足球训练期间,我们应该注意防止学生的运动损伤,改善学生的足球技能尽可能和提高学生体育功能的安全培训通过引入头的特殊训练11]。

3所示。遗传算法基于机器学习和信息覆盖集

遗传算法是人工智能的一个分支,已发展到使学习过程的自动控制系统更加健壮和靠近的人类利用方式解决问题或进行描述的活动或阐述。简单性和适用性,也分为不同的部分和实现这些部分。

3.1。机器学习模型分类

机器学习是研究和分析如何使用计算机来模拟人类的学习行为,以获取新的技能,技术和知识。它被用于各行各业12]。机器学习模型的建立需要三个过程,即预处理数据,训练模型,验证和评价模型,如图1。

预处理数据,选择功能,并降低维度的特性是主要的工程步骤特征。预处理数据需要相关数据的收集和收购。在机器学习中,模型预测的上限是由数据和数据属性。机器学习算法知识的方法收集数据,以得到尽可能接近上限。因此,训练必须非常典型的模型数据,这将导致模型拟合,特别是对于分类问题,样本中的数据不应该严重偏移,不应该有区别的不同类别之间的数据量,这将会影响模型的预测效果(13]。在机器学习获得的数据,有些数据值不属于某个维度,和一些缺失值或冗余信息。数据预处理是处理此类问题,促进理想导致模型训练。

3.1.1。K最近的邻居

当一组样本数据分类与固定的标签,K最近的邻居需要比较和分析上的所有特性数据分类和数据分类的特性,然后提取样本集K数据的相似程度最高的样本来衡量。最多的标签在这些数据分类的结果分类数据的分类,如图2。要分类的数据在图所示2白色的圆。分类训练数据是由蓝色和黄色圆圈,而白色的圆的四个最亲密的邻居都是浅颜色,和数据类型分类是产生的K最近的邻居。K最近的邻居是已知的易用性和伟大的准确性。这个模型中,另一方面,高空间复杂性和高计算复杂度和快速摄动不平衡数据。

3.1.2。多层感知机要

多层感知机被称为人工神经网络,该模型的基本单元是神经元。一个神经元接收大量的但只输出一个信号。输出信号放大之前预设的体重被发送到神经元。重量大于阈值时,神经元被激活,这表明神经元的输出是1,重量低于阈值时,它是无效的,这表明神经元的输出是0。多层感知机要是由三层:输入,输出和隐蔽。每一层有大量的神经元连接的每一层之前完成连接。通常,一个简单的多层感知机没有其他层只有一个隐藏层,如图所示3。

3.2。机器学习模型的验证和评价

进一步评估和验证分类效果施工后的机器学习模型,k最近的邻居交叉验证开始研究如何使用验证数据来评估模型的效果(14]。混淆矩阵是一个棱,两列矩阵由假阴性、假阳性,真阴性,真阳性数据获得验证数据。模糊评价指标如准确性、准确性、回忆,F价值得到了基于混淆矩阵。

准确性是用来确定准确分类的样本总量的比例。以下是主要的计算:

准确性是指阳性样本的数量与积极的预测样本,计算如下:

召回率是所有阳性样本的概率预测准确的预测结果。下面是计算公式:

的F1值是回忆和准确性的一个重要指标。这是公式:

3.3。受信任的信息覆盖模型

本文通过设计一个理想的节点覆盖优化网络覆盖性能模型中,信任的信息覆盖率模型挖掘深入的空间特征传感器变量。相对于圆盘模型和概率模型有不同的预测准确性,这个模型一起重建中提取信息的字段信息环境变量的值。因此,选择受信任的信息覆盖率模型的节点覆盖模型。

假设变量的实际值在空间任意点在时间是由 ,估计的值是由 ,和f重建函数是固定的,如下所示:

上面的表格所有传感器的集合在一个时间间隔。

基于空间统计理论,距离 之间的和空间点大,表明在这两个环境变量点的空间相关性很低。最小化未知错误,这是一个随机变量分布,需要重建网站的信息。它可以取代均方根误差如下:

上的形式 ,一个小环境变量在空间重建质量评估 - - - - - -点,表明一个更高质量的重建。随机领域需要一个固定的f重建功能。这个随机领域的可靠的信息将覆盖点的空间位置 ,此时和RMSE值计算,如果超过用户实际使用的网络。值表示为 。受信任的信息可以完全覆盖空间区域,所有空间点在该地区可以由受信任的信息。

信息协作的重建是基于在克里格空间信息统计。为一个点在太空中,普通克里格估计属性值使用加权平均测量值的传感器节点重构区域 ,如下:

上的形式插值权重因子,普通克里格的属性,和积累的所有权的总和值是1,如下所示:

计算的RMSE值重构点根据以下公式:

上面的公式生成一个 线性克里格方程组 未知数, ,最小化的拉格朗日乘子, 。变函数参数代表一个特定的物理属性的空间关系。使用公式(9)发现在局部空间的信息合作重建信心。

4所示。应用程序设计的遗传算法在足球训练的安全管理

4.1。集中的应用遗传算法基于信息覆盖在足球训练

遗传算法是基于生物遗传学的原理,因此遗传算法和遗传之间的相似性原则是高。在物种进化、重组和基因突变概率用于继承上级和连续世代物种的特征,从而使环境更具有适应能力。遗传算法的原理是相似的。初始化种群通过遗传算子,根据适应度函数和迭代终止条件操作获得问题的最优解。

为了最大化的平滑路线,遗传算法的培训路径的足球训练安全管理过程应该满足以下三个条件(15]:无碰撞运动,更好的避障实现最短路径,较短的距离在二维平面上,和高平滑度因素的路径。适应度函数,基于距离,障碍,和平滑函数,构造基于前面的需求。

以下是障碍函数公式:

上面的表格适应度函数,以避免障碍吗路线,是路由节点的数量,是,吗是数量的障碍。是第一个路径节点之间的欧氏距离和障碍路线,是初始和目标点之间的欧几里得距离的足球训练。

函数是用来表示路径长度的距离。通常,较短的距离可以节省大量时间。以下是距离函数计算公式:

上面的是欧几里得距离上的第一个节点kth路径 。

平滑函数用于整体弯曲程度的路径。高平滑度的路径显示更好的机器人的运动性能。以下公式表示光滑函数:

以下适应度函数计算公式来自上面的推导:

在接下来的配方,一个,B,C所有函数调制系数,而d是一个常数。上述基因表达的人口适应度函数的方法。根据实际问题,进化算法应该创建和增强功能。控制算法的适应度函数是一个关键的功能;因此,其充分性有直接影响算法的功能,以及无法发现最好的解决方案。

4.2。足球训练设施的安全

安全设施安全管理中最重要的一个的足球训练。同时,腿保护者和足球鞋也是足球训练所需的基础设施(16]。重点检查细节,导致损伤在训练,所以开始训练设施的安全检查,包括法院、门、鞋子,和腿保护者。本文调查的现状安全设施预防课程,结果如表所示1。

提出了更高的要求的足球场在足球训练的过程中。因为足球场需要完成各种踢踏,铲动作,当足球场太湿或太干燥,现象,比如踩球,下降,所以在足球训练会导致严重伤害,扭伤,肢体损伤的问题。

根据表中的数据1,大多数教练不太关注的环境设施法院在足球训练。只有52% -61%的教练检查是否有石块和垃圾场上训练。干培训网站的比例,裸露的电线,检查附近的环境安全是30%。因此,在足球训练安全管理的过程中,要注意的安全领域。

表2显示了研究数据的目标设备。一些学校不提前检查目标的装配是否固定在地面上;只有5% - -8%的目标,教练可以完成检查表明超过90%的前教练没有做相关检查的足球训练,导致大量的安全风险。

因为足球训练是一个要求很高的运动,穿着防护腿在练习可以帮助防止伤害和减少脚扭伤。因此,在足球训练安全管理,这是至关重要的,以验证是否保护腿穿提前避免保护腿被取代,导致外国教师和骨折的出现在足球训练。只有32.64%的教练要求学生穿腿警卫和32.64%的教练需要适当的鞋类在足球练习,根据表中的数据3。

5。足球训练安全管理的应用分析

足球运动员尤其是在训练过程的安全是非常重要的,和一个健壮的和有效的机制来实现安全策略的要求,这是本文进行的。

5.1。安全风险分析的足球训练

本文研究遗传算法的实现基于机器学习和信息覆盖在足球训练安全管理,专注于足球的评价和评估安全风险(17]。通过类型的分类,可以分为研究对象一个,B,C。伤害事故经常发生在校园足球训练的过程进行了分析,和足球安全事故案例进行了分析和绘制在图4。分析的对象所代表的x设在,足球中常见的事故风险类型安全风险管理。纵向协调Y分析对象的大小,在足球训练安全风险事故的频率。

在表4,有7种伤害事故,常见的足球训练。每种类型的事故都有对应的号码。上述类型的事故分析根据教练、学生、体育环境、管理的培训项目,设备,场地,和其他因素。每个因素造成的事故概率是不同的。表4显示了每种类型的意外伤害的比例,比例最高的是a - 1,个人事故造成学生在训练的比例是28.75%。其次,教练事件(a)足球训练的过程中占了26.25%,比例最低的是(a - 3)教练,和其他人为因素造成的意想不到的商业事故占5%。

基于这些数据,画出折线图足球训练安全风险的累积百分比,如图所示5。

分析数据在图5揭示了风险变量与校园足球相关事故。下面是结论:每个行业的风险管理方法有一个累积百分比介于0和90%。主要危险类型的足球训练学生因素,包括a - 1 a教练因素,b - 2体育环境,和c - 2训练设施。其他人很偶然。a - 3累积的事故比例最大(100%),紧随其后的是b - 1设备,位置,和其他变量(91.26%),都是二级风险因素。

5.2。速度分析的足球训练

本文基于机器学习和信息coverage-centralized遗传算法为足球训练的安全管理。实际应用中,该算法用于分析足球训练的速度问题。速度是一个重要的足球训练过程的一部分,它可以用来控制游戏时间增加速度。有2 - 4在足球训练战术或过度通过攻击,攻击的平均时间是16.24秒。攻击速度可以破坏一个运动员的身体,导致训练受伤或者比赛受伤。图6显示了不同的实践时间传递的优势。

图中的数据6显示平均实践时间的大、中、小力传递是32.53%,39.75%,27.85%。在日常的训练过程中,训练强度主要是中等强度,少量的权力。因此,在训练过程中,可以选择适当的媒介力量来训练,实现足球训练的安全管理,以确保队友传球快速、准确地在适当的位置,和加快攻击18]。

表5显示的比例在足球训练的过程中,不同的运动速度快的比例,介质,和缓慢的运动是36.24%,40.35%,和23.41%,分别。比例最高的数据显示,运行速度是中速。日常足球训练的过程中,为了确保传递球,防守和攻击的准确性在很短的时间内,足球训练的安全管理过程将集中在中速和速度,以保证更好的抓住玩家之间的合作,避免损伤的形成。

6。结论

足球是世界上最流行的体育运动。足球训练分为速度耐力和身体耐力训练。培训过程的强度高,和训练过程也会踢,传递,抓住,拦截球。上述行为将产生不同程度的运动损伤。因此,足球训练的安全管理是不容忽视的。中国已经建立了一个完善的足球训练体系。在这篇文章中,遗传的机器学习方法和信息覆盖面浓度是用来研究足球训练的安全管理。通过机器学习的详细描述和信息报道集中在足球训练遗传算法及其应用安全管理,分析足球训练安全风险和训练速度深入研究。结果表明,人为因素占最高比例的足球训练安全事故。比例达到了28.75%。 When analyzing the speed of football training, the average time of medium strength passing accounted for the highest 39.75%.

数据可用性

和/或使用的数据集分析在当前研究可从相应的作者在合理的请求。

的利益冲突

作者宣称没有利益冲突。