文摘

针对排球中存在的一系列问题,基于径向模糊神经网络理论,模拟优化的聚类分析算法是用于监控和分析排球。通过分析节点在不同阶段的特征权重,构造最优径向模糊神经网络,结合模拟聚类算法获得的相关优化模型描述排球。验证了优化模型的准确性进行比较与原模型。结果表明,随着反应的增加,不同算法的响应曲线显示波动。其中,MPDR的波动范围(最小功率无畸变的响应)算法比较大,和MVDR获得的曲线的值(最小方差无失真响应)算法的优化算法显著差别在一些关键的节点,而梁变化图表获得的优化算法可以更好地反映光束的变化趋势。模型索引不同算法下是不同的。当迭代步骤的数目小于30岁的指标在不同算法都大于标准的价值。当迭代次数超过30,不同算法下的索引都是低于标准的价值。通过验证,可以看出,原始模型只能描述排球的第一阶段,而优化模型可以描述整个过程的排球。这表明优化模型可以用来描述和分析volleyball-related数据。 And the algorithm can be used to better predict and analyze volleyball, and the analysis results can provide relevant guidance for volleyball. The optimization model provides basis and theoretical support for the application of volleyball simulation clustering algorithm, so as to better promote volleyball and better guide the movement.

1。介绍

排球运动的一个重要组成部分。现有的排球一些典型问题包括场地设施不足和缺乏专业人士。最重要的因素是缺乏相应的算法的分析和指导开发过程中现有的排球,排球的发展是有限的,但目前,模糊神经网络和模拟常用的聚类算法解决实际问题(1- - - - - -3]。

径向模糊神经网络在模式识别领域得到了广泛的应用,仿真分析和图像处理。为了提高并联滤波器的性能,一种自适应模糊神经网络控制方案,提出了基于径向基函数神经网络(4]。与传统的无源滤波器相比,这种优化方案能更好地消除谐波污染,进一步提高机械功率。针对应用中存在的一系列问题最初的模糊神经网络,一个改进版本提出了基于径向基函数神经网络(5]。该模型可以有效地避免对输出层的影响在计算过程中,以提高数据的准确性。此外,优化聚类算法不依赖于参数的调整,并验证了模型的准确性通过使用相关数据和案例。采用自适应模糊径向基函数神经网络来优化传统的模型,和获得一种新的模式6]。通过比较优化模型的仿真结果与传统的控制方法,可以看出,优化后的模糊神经网络控制方法可以进一步减少的最大误差模型,从而提供理论知识和分析智能算法在电力系统中的应用。为了有效地将有用的信息与图像细节,提出了一种新的图像融合方法(7]。利用模糊神经网络的方法,不同的图像的细节或特征信息是完全基于仿真分析聚类分析算法。最后,使用逆小波变换得到的图像融合技术。优化仿真方法验证了实验室测试和演示了模型的优越性。该方法可以为模糊神经网络的应用提供理论基础。

模糊神经网络(FNN)是一种可靠和有效的计算模型,可以实现相应功能的微处理器。一种自适应神经网络基于小波模式与聚类方法相比,如径向基函数网络(8]。通过优化的结构参数预测模型产生最有效的结构,然后,通过比较均方误差,计算时间,并预测过程的优化模型,相应的指导可以提供改进的自适应模型通过比较分析。一个增强的模糊径向基函数神经网络模型提出了(9),包括输入层、隐层神经元,输出层,和其他组件。基于模糊神经网络理论,神经网络的输入变量选择和分析采用相关匹配方法。相关实验室检测的准确性进行了验证优化模型,结果表明,该模型得到的数据和图像比其他方法好,从而获得最高的图像相似性。

相关仿真算法聚类分析已经广泛应用于不同的领域:一个灵活的机用高剪切和低压开发(10]。采用欧拉耦合方法模拟新的pressure-shear过程。仿真结果表明,该算法基于径向模糊神经网络理论在液体,具有良好的应用和轴向切向力的比率提高径向法向力与传统压力剪切。因此,高剪切低压磨进一步验证的有效性。基于模糊神经网络的原理,一个优化的基于地面运动的空间分布的聚类方法应用于模拟地震波的传播(11),以进一步获得相关的地面运动数据。地震源模型和三维速度结构模型是由理论分析和数值计算。为了研究电池参数的变化在短暂的一维模拟中,三种降阶模型(12)提出了根据电池的相关特征参数:适当的正交分解模型,模拟集群分析模型、聚类分析和正交模型。

模拟集群分析不仅具有良好的工业应用,也可以应用到学生的课堂:当前学生的课堂行为识别,算法精度不足等一系列问题。传统的聚类分析算法和模糊神经网络算法相结合来改善传统的算法(13),学生活动的实时识别和监控模型相结合,进行了相关的优化模型。为了验证模型的准确性,相关实验提取的相关参数进行了学生的课堂空间角特性。相关研究表明,模糊神经网络结构优于单一特征的网络结构。一个简化的基于仿真的聚类分析电离方法聚类分析方法在径向模糊神经网络用于估计复杂的电子及相关伽马辐射DNA损伤(14]。优化模型的准确性被实验验证,研究表明,该评估模型有助于研究DNA损伤的复杂性和电子辐照后辐射。

许多专家和学者进行了相关算法研究排球:模拟排球比赛是近年来出现的一种现象,并匹配团队之间可以通过使用模拟算法。提出了一种改进的正弦和余弦算法(15]。使用该算法,可以获得更准确的解决方案。通过使用SCA运营商,一个更有效的方法来找到最优解的优化问题。结果表明,该算法比其他算法有更好的性能。作为计算机视觉领域的一个新的内容,对象跟踪可用于研究排球运动员的运动状态测试阶段(16]。排球是规范化和三种不同metaheuristic算法用于跟踪排球,排球的相关法律。由于小尺寸的排球,排球运动的速度将会模糊,导致旧系统难以分析排球水平。排球处理速度提高了利用机器视觉和可穿戴设备跟踪排球运动(17]。相关研究表明,排球运动估计算法是正确的和模拟轨迹与排球几乎是一致的。上述研究排球未能进行相应的研究。针对上述研究的缺点,本文基于径向模糊神经网络的相关理论,采用模拟聚类分析算法对排球的相关指标进行定量研究。根据相关指标的研究,获得了相应的优化模型通过修改相关参数的原始模型,并验证了模型的优越性相关计算。的研究可以为应用程序提供理论依据径向模糊神经网络和模拟聚类分析算法。因此,它可以为排球的发展提供相应的指导。研究表明,该模型不仅可以用于排球,也有很好的描述其他种类的体育运动。因此,我们可以进一步促进优化模型的基础上研究。

2。径向基函数(RBF)神经网络

2.1。径向神经网络

径向基函数(RBF)神经网络是一种网络。它的优点简单培训,快速学习收敛,和克服局部最小值问题18]。事实证明,RBF网络能准确逼近任意连续函数。因此,它已广泛应用于模式识别、非线性控制、图像处理。径向基函数神经网络的结构如图1。输入值xi是导入到对应的函数φ我(x),分别和相应的输出函数易值(19]。

在时滞(径向基函数神经网络),大小RBF通常作为传递函数,矢量控制的参数作为RBF参数,输入样本之间的距离和隐藏的中心向量作为变量的映射。相应的公式如下所示: 在哪里c_j是隐藏的中心向量;σ_j是内核函数控制参数;| |x−c_j| |之间的距离x和c_j;和米代表了隐层节点的数量。

RBF函数的线性组合φ_j(x在隐层节点的输出形式y_kRBFNN的 在哪里表示连接的重量k在输出层和th节点jth隐层节点;y_k代表的输出kth在输出层节点;和p输出节点的数量。

最小方差无失真响应(MVDR)算法和最小功率无畸变的响应(MPDR)算法修改协方差矩阵通过凸线性组合的单元矩阵和采样协方差矩阵。在此基础上,模糊径向基(RBF)神经网络近似算法得到优化模型,介绍了阵列协方差矩阵的非线性映射,实现最优权向量优化模型。

通过分析不同算法的模糊神经网络,响应图相应的算法得到,如图2。从图可以看出2不同的算法作为一个整体的变化曲线显示多个波动的变化特点。MPDR算法的波动幅度相对比较明显。与相应的逐渐增加,相应的梁之间的相关性变化和优化算法差,不能反映光束更好的变化特点。MVDR算法接近波整体上的优化算法的特点,但价值的优化算法优化算法的显著差别在一些关键节点。因此,无论是MPDR还是MVDR算法可以更好地描述相应的梁变化趋势,而相应的优化算法可以更好地反映光束变化趋势。MVDR算法的主要原因无法描述和表示梁图在计算过程包括以下:(1)该算法的迭代次数相对较少在计算过程中,迭代次数越小,计算结果的偏差越大;(2)同时,算法受到大量的干燥在操作过程中,这使得MVDR算法,在干扰方向上更深层次的缺陷,导致结果的偏差;(3)没有相应的逆操作也是MVDR算法的偏差的主要原因。

2.2。概率神经网络

概率神经网络通常是由三层组成,即输入层、隐层和输出层(20.]。其结构模型如图3。

假设x是n维输入样本和传递函数的隐层节点K,然后输出y_k并通过k节点的可以表示如下: 在哪里c_kj代表了jth隐藏节点对应kth类别;σ是函数控制参数;H_k代表隐藏节点对应的数量kth类别概率神经网络;和K是功能的基础。输出的值kth节点如下: 在哪里米输入样本的空间维度吗x。

通过上述分析,模拟数据的特征权重的分布在不同的节点,如图4。从图可以看出4,特征维数的增加,节点1的曲线显示了波动的趋势总体上最低的特性重量是0.267,最高的特性重量是0.712,最高价值是价值最低的2.67倍。这表明特征维度的特性有很大的影响节点1的重量,曲线波动,不利于整体模型的稳定性。随着特征维数的增加,节点2的总体变化曲线可分为三个阶段:(1)稳定阶段和特征尺寸介于0和25重量的特性是普遍偏低;(2)特性的波动阶段维度25 - 42之间的重量和相应的特性这一阶段一般是高;和(3)的稳步增长阶段特征尺寸42至50,和在这个阶段特征权值的范围很小。特征权重的变化规则对应节点3节点1基本上是一样的,除了有最大值和最小值的特征权重对应节点3。特性的偏差的主要原因不同节点的权重如下:(1)输入值在不同节点不同,导致不同维度的输入样本。不同的维度变化传递函数,最终导致不同的输出结果。(2)相对应的样本空间不同的节点是不同的,从而改变隐藏层和输出层相应的模型,并最终影响权重的不同特性,导致偏差的特征权重不同的节点。

2.3。径向基概率神经网络

径向基概率神经网络的优点吸收径向基函数神经网络和概率神经网络;也就是说,它充分考虑多种类型之间的交错影响模式在模式识别中的应用,从而形成一个有效的接口。特别是,这个新模型具有较低的计算复杂度和快速收敛。同时,这也是一个新的神经网络模型,可以广泛应用于模式识别和非线性函数近似。径向基概率神经网络的训练样本(RBPNN)可以充分考虑不同模式的影响(21]。模型结构可以分为输入层、隐层,第二个隐藏层和输出层,分别为(22]。x是一个n维输入样本,和第一个隐藏节点的传输函数K。输出的具体计算公式z_我对应于我th节点如下: 在哪里n₁代表第一个隐层节点的数目,具体公式如下:

连接的重量(2第二选择隐层)为1,然后输出u_j的jth第二个隐层节点是由下列公式计算: 在哪里n₂代表第二个隐层节点的数目,和H_j代表的数量jth第二隐层节点。

第四层RBPNN模型输出层,这是一个线性组合的第二隐层节点的输出。输出的具体计算公式y_k的kth节点如下: 在哪里p在输出层的节点数。(3)是输出层之间的连接权重和第二个隐藏层。 在哪里x(t)输入向量,c_我(0)是集群中心。 在哪里d_米= max (d_我(t)),米代表第一个隐层节点的数目。

通过上述分析,信号输出响应的时变曲线在传统模型(8]和RBPNN [23)模型,如图5。传统模型的输出的影响可以分为两个阶段(24]。第一个阶段是稳定增长阶段,随着时间的增加,和相应的信号输出的影响增加的变化趋势近似线性增加。第二阶段是波动,随着时间的进一步改善,和相应的变化趋势表现为波动,表明模型的输出信号是不稳定的。值得注意的是,两个阶段的临界值的最大信号输出响应模型。RBPNN模型的响应变化规律也可以分为两个阶段。第一阶段显示了一个近似的线性变化趋势。与传统模型相比,RBPNN模型的响应曲线的斜率较高,表明响应随时间变化更相关。在第二阶段,总体变化趋势是相似的水平。与波动改变传统的模型相比,该模型具有更好的稳定性。一般来说,RBPNN模型比传统模型具有更好的稳定性和优越性。 The main reasons for the deviation of the conventional model are as follows: (1) the model does not take into account the interlacing effect among multiple types of patterns in the application of pattern recognition, and the recognition of multiple patterns is insufficient; (2) at the same time, the conventional model lacks effective interface and analysis of corresponding signal classification; and (3) finally, compared with the optimization model, the calculation of the conventional model is more complex, which leads to a slower convergence rate.

为了探索在不同的神经网络计算精度,扩展常数之间的变化关系P和不同神经网络的诊断准确性(DA)绘制,如图6,对不同的神经网络如表所示1。从图可以看出6扩张常数之间的变化曲线和准确率在不同神经网络可分为三个阶段。第一阶段是快速增长阶段的变化曲线正交最小二乘(OLS)和快速递归算法(FRA) (25)都显示与扩张常数的增加迅速增加。相应的第二阶段主要是由一定范围内波动,表明准确率差稳定在这个扩展常数的范围。在第三阶段,精度的总体变化范围很小,表明在扩展常数,精度高稳定性和变化趋势的两个算法基本上是相同的。

从表可以看出1NN3是最高的准确性,NN1是在中间,和NN2是最低的,说明相应的变化在不同的神经网络模型的准确性。和最优扩张常数与神经网络的变化也不同。NN3神经网络时,扩展常数通过OLS算法是最大的,虽然NN1神经网络时,扩展常数得到联邦铁路局算法是最小的,和最大值最小值的1.21倍。

3所示。模拟集群分析

3.1。聚类分析

聚类分析是指分组数据的过程通过分析每个数据的特征一批未知数据集和聚合数据具有相似或相同的特征。聚类分析的主要过程可以分为以下四个步骤(26,27]:(1)数据标准化处理:数据标准化的目的是防止大型数据或数据的存在与不同单位数据: S是标准差和在哪里是平均值。(2)构建的关系矩阵:使用索引的平方欧氏距离构建标准化的数据的关系矩阵: 的公式,代表的平均值我th集群。(3)聚类分析根据不同的方法:聚类分析方法可以分为系统聚类法和k - means聚类方法。k - means算法首先需要确定集群的数量和初始簇的中心点,然后完成若干次迭代后的部门通过计算中心点的距离: 图7流程图和聚类分析方法的原理图。图7(一)是聚类分析的数据处理流程图。首先,应当设置相应的初始聚类中心的模型。其次,相关点之间的距离和集群中心计算,将和相关点根据距离计算。根据分区结果,建立了一个新的集群中心来验证集群中心是否收敛,最后,相关数据的输出。图7 (b)显示了聚类分析的原理图,3元素类别1和3的元素类别2共存d₁,d₂、…d₉。一班和二班之间的距离可以计算如下: (4)确定最佳的分类:

系统聚类方法后,可以获得聚类树图,聚类结果可以根据相关标准进行了分析和处理。

3.2。模糊聚类分析

模糊均值聚类分析的基本原理是一种算法,定量描述了每个样本属于某个类别的隶属函数在缺乏相关数据。模糊分区的空间X显示如下: 在哪里U= (μ_本土知识]c×n模糊划分矩阵,μ_本土知识代表样本的模糊隶属度x_k属于类我,我是1故障类,我是2 nonfault类。

基于不同指数的值函数如下所示: 在哪里P是c聚类中心向量,米加权指数。

价值函数的最小值不同的指数显示如下:

模糊隶属度和聚类中心的迭代公式如下所示:

图8是一个模糊聚类分析的原理图。从图可以看出8模糊聚类分析方法可以使故障数据的统计和分析、nonfault数据,以便把nonfault区域和故障区域。校准的故障数据和nonfault数据,校准数据导入到模糊神经网络,得到的输出值通过相关计算模型模糊神经网络模型,然后比较与评价指标的输出数据,从而把故障数据和nonfault数据。

A1-A5都不同参数的模糊聚类分析,探讨不同参数对模糊聚类分析的影响。集群性能分析图表的数据与不同的参数,如图9。

随着迭代次数的增加,整个曲线呈现逐渐下降趋势。A2和A3曲线的变化模式基本相同,显示缓慢下降。A4显示一个下降的趋势,这表明迭代的数量显示典型的非线性特征的平均指数在这个参数。A1的下行趋势是类似于对数函数的变化趋势,表明有一个高的对数函数的迭代的数量之间的关系和相应的平均指数。相对应的曲线A5经历了一个很短的时间内,然后,与时间的增加,曲线大约持平,小的变化范围。

4所示。仿真分析排球

4.1。介绍排球

排球运动的一个重要组成部分,是体育发展的不可或缺的部分,但现有排球一些典型问题:

以下4.4.1。缺少场地和设施

与人民热爱体育运动,越来越多的人参与体育运动。但随着逐渐增加原来的排球场地和设备的数量不能满足相应的需求,导致人们对体育锻炼的热情已经被削弱,排球场地设施的缺乏是主要原因限制了排球。

4.1.2。缺乏专业人才

排球是一项高风险的运动,可能会受伤在不同程度的过程中运动。但目前缺乏专业排球人员有限的进一步普及排球。

4.1.3。缺乏相应的算法分析

目前,一系列问题在排球主要由定性分析研究。排球的存在的问题,从定性分析的角度不能解决这个问题。

4.2。聚类分析排球模拟

为了更好地研究volleyball-related问题,基于径向模糊神经网络理论,模拟聚类分析算法是用于研究排球。的初步分析相关参数进行模型仍然是第一,然后,相关的理论模型。如果模型不符合相关要求,有必要优化模型中的相关因素,以选择最佳的方案和参数,最后得到了相应的优化模型,并分析模型的最优解,如图10。主要监测指标包括速度、力量、耐力和灵活性。

通过相关分析排球运动,排球运动系统的分布表相关的属性,如表所示2。

4.3。聚类分析应用于排球

为了更好地探索的应用不同的算法优化模型在排球、雷达图表模型指标的不同算法下,如图11,A0是模型的计算值和A1-A4模型参数在图9。从图可以看出11模型索引不同算法下是不同的。当迭代步骤的数目小于30岁的指标在不同算法都大于标准的价值。A4是最大的,这表明A4偏离最标准的价值,其次是A1、A2接近标准的价值,和A3是算法最接近标准的值。当迭代次数超过30日,指数在不同算法都是低于标准的价值。A4是最小的,这表明A4最大的错误,其次是A1。A2也接近标准值,A3是最接近标准的价值。和A4的算法精度最低。

采用上述分析方法和基于模拟径向模糊神经网络聚类分析算法,分析了排球运动通过优化计算方法,以获得比较图的理论优化模型和原始模型在不同的计算时间,如图12。

从图可以看出12随着迭代步骤的数目的增加,原始模型中的数据的描述可以分为三个阶段。第一阶段是一个线性增长阶段,这一阶段的拟合系数为0.96,表明可以使用原始模型在第一阶段更好地描述和分析排球。在第二阶段,原有的模式仍然显示线性增加的趋势。与第一阶段相比,第二阶段的增加率下降。然而,实际的数据显示逐渐下降,波动在一定程度上。在这个阶段,很明显,原始模型不能描述数据,以及两者之间的相关性较差。从第三阶段,原有的模式和volleyball-related数据显示稳定的变化,但是由于偏差在第二阶段的原始模型,模型和实际数据之间的偏差在第三阶段仍然很大;因此,该模型不能用于分析volleyball-related数据。从的角度优化模型,优化模型的拟合系数的测试数据在第一阶段为0.985,表明该模型可以很好地描述曲线的第一阶段。和第二阶段优化模型的波动数据描述结果仍然很好,第三阶段的优化模型曲线也显示稳定的变化,因此,优化模型可以实现volleyball-related数据的描述和分析。

从上面的分析可以看出,模型仿真得到的聚类分析算法优化基于径向模糊神经网络可以代表排球的变化过程和相应的变化规律。同时,为了更好地预测相关指标的排球,排球变化曲线在不同迭代被吸引,如图13。

从图可以看出13优化模型可以更好地反映排球的相关指标。从曲线可以看出,排球一个线性增加在某种程度上在一段时间,但当迭代的数量超过7500,排球指标的增加将大大减少。迭代的数量的进一步增加,相应的指数会突然下降,然后缓慢,表明排球一段时间后将会下降。我们应该做一个详细的分析的指标下降阶段根据排球的相关法律。我们还应该找出现存的相关问题,并采取相应的措施来预防和治疗,使排球得到长远发展。错误的主要原因在下半年的预测曲线包括如下:(1)优化模型可以更好地描述的线性阶段排球运动指标,但仍有不足之处的描述下降阶段,也是我们的下一个研究方向,和(2)在图的优化模型具有良好的性能12,而后者一半的图13表现不佳,因为数据在图吗13预计值,有一定的影响力和对模型的不确定性,导致错误。

5。结论

(1)与响应的增加,梁的变化曲线不同的算法显示多个波动变化的波动幅度MPDR算法。MVDR算法获得的曲线接近的波动特征优化算法。光束变化模式获得的优化算法可以更好地反映光束的变化趋势。(2)模糊神经网络和模拟集群分析方法用于分析排球,和整体分析不同参数下数据聚类性能曲线显示了逐步下降的趋势。A2和A3曲线的变化模式基本相同,显示缓慢下降。A4显示了一步下降趋势,A1的下行趋势类似于对数函数的变化趋势,以及曲线对应于A5经历短时间内下降。(3)随着迭代步骤的数目的增加,原始模型所描述的数据可以分为线性增长阶段,缓慢增加阶段,波动阶段。最初的模型只能描述排球的第一阶段。优化模型不仅可以更好地分析排球的第一阶段,也更好地描述其第二和第三阶段。

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

作者宣称他们没有已知的兴趣或人际关系冲突可能出现影响工作报告。

确认

这项工作是支持的内涵和研究路径选择“管理和评价”改革的视角的高职教育“委托管理和服务,”2020年湖北省教育科学规划重点项目(2020 ga102)。