网球运动的分析技术基于数据挖掘和图像特征匹配检索

文摘

网球比赛技术分析等影响因素复杂背景和现场噪音,这将导致结果中的某些偏差,,很难得到科学有效的网球技术培训策略通过一些游戏视频。为了提高网球技术的性能分析,机器学习算法的基础上,本文结合图像分析识别运动员的运动特征和图像特征识别处理图像识别技术,实现实时跟踪运动员动态特性,技术特点和记录。此外,本文结合数据挖掘技术从大量的视频和图像数据获得有效数据,利用数理统计和数据处理、数据挖掘技术和科学分析网球技术与人体工程学的支持。此外,本文设计一个对照实验来验证的技术分析影响网球比赛和模型本身的性能。研究结果表明,本文模型构建有一定的实用效果,可以应用于实际的比赛。

1。介绍

与传统相比,技术和战术分析方法,数据挖掘技术可以更清楚地描述和分析的过程和顺序打技术,如镜头的位置和路线,和过程和顺序的胜利和失败点。此外,它可以帮助教练员更好地掌握球员的共性和特性的技能和策略,提供参考和依据的使用技巧和策略在未来的训练和比赛1]。近年来,随着国内球员参与竞争的机会,日益丰富的游戏视频的技术和战术数据积累在游戏中继续增加。如何探索优秀球员的技术和战术特点丰富的数据和科学决策提供依据的教练和运动员已经成为网球理论研究的关键和紧迫的问题。此外,利用数据挖掘技术分析运动员的技术和战术特点和法律在游戏中可以获得和发现更多有价值的信息及时、准确和法律,以弥补传统统计方法的不足。因此,有必要对网球运动员使用数据挖掘技术来帮助他们在技术和战术决策2]。

而建立的流行运动如足球和篮球,网球有相对较少的追随者。然而,随着群众体育的发展和影响的国际网球,网球近年来在我国发展迅速。此外,越来越多的人开始关注大型网球比赛,和每年的四大满贯比赛和各种大师吸引了很多球迷的注意(3]。网球公开赛已经引入了“鹰眼”技术,可以准确地确定球是否越界。玩家有两个申请到后在每组使用鹰眼。裁判接受应用程序,他们将播出“即时回放”搬上大银幕的鹰眼的计算的结果。系统需要从数据收集不超过10秒结果报告。然而,系统由8或10高速摄像机,四台电脑和一个大屏幕,这使得成本很高,和大量的计算在处理收集到的数据是非常大的4]。在此基础上,本文使用大数据技术分析网球运动比赛,结合机器视觉识别运动场景,和提高网球运动比赛的分析效果。

2。相关工作

文献[5)指出,当球员和纠正他们的动作分析,正确认识生物力学将帮助教练避免关注特有的,看起来不舒服的投篮,并帮助他们专注于拍摄的时机。文献[6]提出,网球身体协调链段的顺序从脚,臀部,上半身,胳膊或肩膀,手腕和肘部,和生物力学是从膝盖弯曲,臀部旋转,身体旋转,搂着肩,肘扩展,手腕和前臂内部旋转旋转。文献[7]分析了网球运动员的投掷技术在亚特兰大奥运会和显示,扔的位置在前面的前脚或左前。高速摄像技术用于球员分析。结果表明,许多优秀的球员开始击球后,球开始下跌(25-20厘米)。

文献[8]提到技术本身并不能赢得比赛;即使技术改进在日常训练中,如果不能在实际的游戏,它是没有意义的。同时,也提到网球是控制和anticontrol,如果运动员控制整个比赛的对手,他肯定能赢得这场比赛。此外,它不仅是superlevel性能能够成功。如果对手几乎无法处理它,游戏将不可避免的发展朝着有利于自己的一面,然后胜利可以预期。文献[9]提到,在今天的妇女的游戏,进攻后服务是一种很常见的策略。运动员发挥,越早越好。此外,最好的措施就是开始在底线,可以给对手带来更大的压力。服务后,反手攻击运动员使用反手抓住高点的基线,有时构成威胁的对手比带来沉重打击。也就是说,它通常被称为回头了。文献[10]分析了印象的女网球运动员身体、技术、和心理因素,阐述了分布的特点和趋势的演奏风格在现代女性网球。此外,它提出,今天的女网球运动员有很大的进攻技巧,和将会有更多的女性玩家采用更积极的进攻风格。出于这个原因,教练应该重点发展的年轻网球运动员最理想的方式,充分的准备为未来的进攻。文献[11)认为,网球,玩家倾向于采用一种特定的风格基于自己独特的演奏技术、物理、战术,和心理特点,模仿游戏的风格在年轻的时候也有影响使用的类型的一个运动员。此外,它认为,球员想要发展最好的类型应该是玩家全面的技能。出于这个原因,教练和运动员应该确保培训和个人培训包括五个实战培训项目:服务,接收、底部反击,cross-ball和在线。文献[12)认为,大多数球员在比赛中防守比进攻。即便如此,其结果是,游戏中的错误都大于主动得分,在游戏中,进攻的风险大于防御。文献[13)所使用的学习策略的差异全面的球员在面对不同的游戏类型。面对服务和互联网玩家全面的球员通常必须先改善他们的服务的成功率;也就是说,它不伤害自转越来越慢下来当服务。此外,通过改变服务,玩家可以全面服务于对手的身体更频繁,这样就避免了对手的直接攻击,当接收服务。文献[14]提到,双手反手击球技术是大多数运动员使用的反手击球技术。一些运动员与生俱来的高度和强度条件不是特别占主导地位,但有良好的灵活性和速度快,可以使用双手网球反手技术更好的发展他们的潜力。同时,建议玩家加强身体健康而学习使用双手反手技术,并不断提高自己的网球智商,以便他们能够更快地掌握技术,促进网球的普及。文献[15)接收和技术服务分为两部分研究的接收和网球。其中,一个是拍摄的前面部分,另一个是拍摄的部分。前面的部分镜头由三部分组成:控制,位置,和身体姿势。的位置通常是在底线附近,接近单打的副业,但位置的选择应根据服务器的服务能力和自旋,一个和两个服务服务。文献[16)使用的知识系统理论进行深入研究在网球发球探索网球服务系统,并认为网球发球不仅仅是一个技术动作,但一个完整的系统。文献[17)指出,服务的速度是一个有效的方法直接影响对手的进攻和得分。一定的速度的情况下,玩家选择的球的降落点可以避免对方的特殊技能和攻击对手的弱点,可以更有效地抑制对手的表现,赢得的胜利。文献[18]美国高峰使用三维高速视频系统和视频分析系统Aijie人类信息研究所的测量和分析的运动学数据强劲的国内优秀女子网球运动员的发球技术。最后,得出网球是一个鞭打动作的激烈的服务。此外,技术服务的基本原则提出和证明。此外,它提出了打击行动不是一个自然的过渡和扩展的摇摆动作,而是一个相对独立的操作技巧有自己的技术特点。文献[19)高质量的网球比赛为研究对象。成功率,进球率、平直度率、相关和高质量的网球比赛的结果如下。那些高成功率往往不能赢得比赛,而那些有很高的进球率没有获胜的概率很高。文献[20.)得出的结论是,第一个发球的成功率和一个网球比赛的第一发球赢率呈正相关,与统计值的第一发球成功率没有实质性的意义,及其水平几乎没有影响比赛的结果。然而,第一个发球赢率和第二个发球赢率产生更大的影响比赛的结果,他们是两个关键指标,决定比赛的结果。从上面的分析,可以看出,网球比赛的相关技术分析是目前相对空缺。因此,本文结合了网球比赛的实际需要构建相应的视觉分析模型,并执行行动特征识别和策略的改进与大数据技术的支持。

3所示。机器学习模型

本文提出了三种方法的行动知识提取基于随机森林模型,所以第一步是建立一个随机森林模型。在建立随机森林模型的过程中,一个数据集 是给定的。其中, 属性向量组和吗 是分类标签集合。每个属性向量 有米属性值;其中,每个属性值 有一个有限值范围 。 可以分类或数值。分类标签Y有一个有限值范围 。如果没有歧义, 也会用吗 在下面。为了简化描述,本文只考虑的情况预测分类是二进制;也就是说, 。只有微小的变化需要扩展二进制分类情况一个多级模型(21]。

通常由一个随机森林模型K决策树。每个决策树k有一个输出功能 ,这意味着一个分类马克吗 时输出输入属性向量。因此,整个随机森林的输出

其中, 每个决策树的重量。此外,也有另一个概率表示。一个分类标记 给出:

其中, 是一个指标函数;当 ,它的值是l,否则为0。一个输入向量,和输出预测分类马克吗随机森林模型是(22]

随机森林模型的建模算法通常使用以下步骤: ,(1) 从数据集中数据采样与更换。(2)根据数据,一个没有修剪的决策树训练。在构建决策树模型,属性设置用于创建一个分支节点随机选择所有属性的一部分,而不是使用整个属性设置为创建一个分支节点。大多数随机森林模型的输出采用特殊形式的公式(1),我们组 。因此,公式(1)简化为23]

定义1。属性分割:一个随机森林算法模型将,每个属性 将分成一定数量的间隔(24]:(1)如果分类,它包含吗n类别,然后在逻辑上分为n间隔。(2)如果是数值,如果假定每个决策树的分支节点的随机森林算法模型是什么 ,然后b是一个分裂属性 。如果有n部门分属性在所有的决策树,然后属性分为 间隔。的分割间隔属性表达的是 ,所以很自然的,分割向量 对应的属性向量 。其中的价值的索引值分割区间属性在哪里所在地。因为的属性值向量和向量相互对应,方便下面的描述。在没有歧义的情况下,仍将用于表示细分向量(以下25]。

定义2。属性改变:一个随机森林算法模型是给定的,代表属性变化,它被定义为一个三联体 。其中, ,是一个特定的属性,值吗p和问代表两个属性。当且仅当有一个属性值的我th属性向量的区间P,属性改变是执行给定的向量 。属性的功能变化完成的转移是属性值吗向量的区间p的时间间隔问。

定义3。行动:一个变更集的属性被定义为行动一个, ,还有 ,这意味着至少一个属性的变化是在一个行动。条件是一个可执行的行动向量需要满足所有属性的变化向量操作可以执行 。行动的执行一个将生成一个成本价值;也就是说, 。
对于给定的属性向量和行动一个可以在每个属性的 ,最终结果向量执行行动 。
在没有歧义的情况下, 仅仅是描述为(26]。

定义4。行动的知识提取问题:AKE(可操作的知识提取)问题可以由一个four-tuple表示 ,和Hfour-tuple代表随机森林算法模型。与此同时,代表问题的输入向量, 代表了最终想要的分类标签,一个行动,找到一个行动序列的终极目标是AKE问题;其中,有 。约束满足的动作序列是 因此,我们获得 其中,z是一个常数, ,和目标向量是 即行动序列 按顺序应用于输入向量 ,结果向量终于获得。
状态是最少的变量的有序集合 介绍了描述某种不同的东西之间的区别,和它的向量形式如下: 每个元素 公式是一个组件的集合,称为状态变量。给定一组为每个组件的值,得到一个特定的状态: 的方式改变一个问题从一个状态到另一个叫做一个动作,这通常是由一个。
问题的状态空间(状态空间)是一个图形,代表所有可能的状态以及它们之间的关系来解决这个问题。状态空间通常是一个有向图,用 。其中,代表一个节点集,这是一组所有可能的状态。一个代表一组 相关的行动解决问题,它可以用来改变一个国家到另一个状态。代表所有可能的目标状态的设置与解决问题有关。
马尔可夫决策过程模型图所示1,这是一般five-tuple所代表的 ,在哪里年代代表一个有限集的所有可能状态的代理或环境。每个州在一组代表一个可能的状态,和每个国家都必须包含所有相关迹象作出正确的决定;一个代表一组有限的一个代理的所有可能的行动;T代表了状态转换函数 ,这是用来表达执行行动的概率一个在国家年代达到的状态 。马尔可夫性质反映在状态转换函数。未来状态的决定仅仅是相关的当前状态和当前选择的行动的决定。以上内容可以正式表示为 R代表了奖励功能, 代表的直接奖励值代理可以获得通过执行行动一个在国家年代。相关的奖励函数可以后续的状态,也就是说, 。根据这个定义,所有的 可以将转换成 。 是折现系数,其值范围可以表示为 。设置折扣因素的原因是让无数的长期回报的步骤收敛,这使得马尔可夫决策过程模型具有很强的现实意义。人类做出决定时,他们中的大多数更加注意在短时间内的价值回报,从而淡化最终的长期回报。当值接近1,这意味着代理价值观长期回报。当接近0,这意味着代理更多关注立即报告。马尔可夫决策过程模型可以控制当前决策对未来的影响大小的设置 。
经典的规划问题可以被描述为一个三形式 。其中,我代表了初始状态集,一个代表操作集,代表了目标状态集。在这类问题中,初始状态、动作特点,和目标状态都需要明确。的行为可以改变系统的当前状态是一个动作,和行动序列代表了系统状态的演化过程,如图2。

4所示。马尔可夫决策过程来解决优化问题的行动知识提取

强化学习学习决策策略通过自治与环境的交互,所以收到的长期累积奖励价值策略是最大的。强化学习和其他机器学习方法的区别是,它需要通过与环境的互动学习策略。其次,在环境中执行一个动作后,如果没有标记的质量行动,只有经过一段时间的交互,累积奖励可以知道,推断出前面的动作的质量。这是一个前瞻性的过程。使用马尔可夫决策过程的概念,和预期的目标状态可以通过确定状态的变化属性通过奖励函数。最后,行动知识提取和操作知识可以转化为直观的对用户的建议。

马尔可夫决策过程的最基本模型是一个five-tuple ;其中,年代代表一个有限集的状态,状态空间,国家为代表年代;一个代表一组有限的行动的行动空间和行动是由一个; ,状态转移概率矩阵,表示过渡到另一个状态的概率分布后执行一个动作在某种状态;R代表了奖励功能:

上面的公式代表的直接奖励由环境状态转换时发生;代表了贴现因子 。的大小表示程度的现在和未来回报的倾向。的引入未来的不确定性,可以避免无限的马尔可夫过程的回归。当接近0,它更倾向于直接奖励当前时间步的价值。当接近1,它更倾向于在未来的长期回报价值。

奖励函数R期间获得的奖励信号与环境的相互作用。奖励函数反映了当前任务的性质和还充当策略修改的基础。奖励函数R是评估的质量生成的行动:

我们假设代表所有的折扣奖励从时间步的返回值t:

在这里,折扣因素是用来控制返回值是有限的,奖励价值R通过的影响 时间步的折扣。

对于每个国家年代在设置年代,该战略需要完成一个动作一个在动作设置一个;即,它指定的行动,在每一个可能的状态。策略从状态映射到行动,也就是说, 。

马尔可夫决策过程,我们的目标是找到一个最优策略最大的累积奖励 :

其中,是最优策略,是最直接的奖励在时间步执行的操作吗t,是执行的操作的累积奖励在时间步吗t在战略 。与此同时,是折扣因素 的力量t,策略下的期望吗 。

任何策略,长期积累的预期收益回报通过执行策略是用来评估策略的利弊。奖励函数R是一个即时评价某种状态(或行动),但价值函数认为某种状态的质量(或政府行动副)从长期的角度来看,价值函数通常被称为评价函数。

累计获得的回报的期望执行的行动和随后的策略在国家表示为 ;也就是说,

其中,执行操作的直接奖励在时间吗t折现系数 平衡当前即时奖励价值与未来奖励价值和确保的融合 。

对于任何策略 ,值函数定义为累积折扣回报值的期望值;也就是说,

其中,代表时间步的状态t, 代表,对应于初始状态。

强化学习算法的目的是找到一种策略 ,强化学习的最终目标,这样值吗每个州的年代同时达到最大值,即

其中,在时间步是最直接的奖励吗t, 是折扣的因素。被称为最优值函数和相应的最优策略是什么

根据贝尔曼最优方程,有

其中,是最优值函数在未来状态 。

执行策略迭代算法:该算法首先随机初始化策略和计算价值函数在这种战略。根据这些状态值函数,一个新的战略获得,价值函数新战略下的每个状态计算,直到收敛。计算每个状态下的价值战略被称为战略评估。基于国家的新战略价值被称为战略改进。

算法执行策略评估:根据贝尔曼方程,一个国家的价值功能与价值功能的后续状态。因此,我们使用后续状态值函数更新当前状态值函数 。战略评价遍历所有状态和更新其状态值函数根据以下公式:

算法执行策略的改进:根据获得的新战略是国家价值函数,和新策略是比旧的策略。对于一个国家年代,最大化的策略选择一个动作一个当前状态值函数 也就是说,

策略迭代的终止条件 输入: 输出:策略 ,状态 ,行动 ,奖励立即,转移概率初始化。重复

在当前状态 ,行动根据贪婪选择战略。

行动执行,下一轮的国家吗和直接奖励得到了。

该算法首先执行策略评估:

然后,该算法执行策略选择:

直到满足终止条件,算法将退出:

5。基于图像处理的网球视频图像处理

本文的研究对象和数据分析都来自专业的网球运动员的比赛和训练,存储在视频图像的形式。由于复杂的背景的网球比赛和训练,难以识别的特点,网球。本文结合图像处理技术来设计一个网球视频图像自动处理系统。系统的核心是TS201处理器。这种处理器具有良好的图像信号处理功能,是一种广泛使用的图像处理器。整个系统包括图像处理器TS201的构成,探测器,存储设备,RS422串口设备,等等。图3显示了图像自动处理系统的体系结构。

网球视频图像自动处理系统的工作流程如下:高分辨率相机收集图像信号;图像过滤后,它被发送到图像处理器通过RS422串口与TS201信号传输链路;信号的特征识别在图像处理器,完成功能类型确定和图像处理结果发送到内存中。

图像处理技术的核心是网球视频图像自动处理系统。图像处理的效率决定了自动监测的效率。本文主要讨论图像处理的关键方面,如图像分割、噪声滤波和边缘检测。(1)图像自动化处理过程中在这篇文章中,首先要做的是图像分割。图像分割是指分段更明显的部分图像按照一定的像素值和图像灰度和其他参考因素,同时消除模糊的图像。阈值方法通常是用来分割图像,和具体操作步骤分为以下三个步骤。第一步是遍历图像中的像素值,找到问题的关键 最大的像素值。第二步是结合实际的图像质量,人为地设置图像的大小像素,并比较最大的像素点 上,下,左,右。像素比较发现像素值的大小与电流最大像素值,发现这一点 最小的像素值。第三步是获得最大像素值之间的差异和图像中的最小像素值。公式如下: (2)噪声过滤。图像中的干扰信号不能完全避免,所以这些噪音信号必须有针对性地过滤。图像信号 的公式, 是图像特征; 图像中的噪声信号。常用的噪声滤波方法包括卡尔曼滤波、中值滤波等。的灰度值图像中的噪声信号显然是不同于图像的灰度值。因此,本文采用中值滤波方法来过滤信号异常图像中灰度值来获取高质量的图像。(3)边缘检测。在图像处理的过程中,边缘检测的过程中起着非常重要的作用类型识别的图像特征。边缘检测是实现目标识别的关键步骤。因为目标对象的边缘图像显然是不同的背景、目标的特征识别使用边缘检测技术可以有效地执行。本文中使用的边缘检测算子Sobel算子和罗伯特算子在图像处理。图像的函数操作符执行准确过滤的边缘图像,这有助于提高识别效率的特征类型。

6。竞争技术分析

本文首先获得网球比赛的特殊对象技术分析通过数据挖掘技术和获得最具代表性的研究对象。之后,本文具体分析了网球技术的研究对象和名称的五个研究对象一个,B,C,D,E本文通过数据挖掘。的基本条件如表所示1。

在本文中,使用两个专业数码相机拍摄和定点定焦拍摄。此外,本文以五优秀专业研究生六年或更多的网球经验为研究对象,安排他们做上手发球技术和当场射杀他们。射击频率240赫兹,快门速度是1/2000,三维标定框架的范围是直径2.5米,两个摄像头之间的角和测试对象是90°,如图4。

在处理方面,五个科目通常玩大陆风格。然而,每个测试人员的处理风格改变了服务期间。一个和B使用anti-Eastern风格,C,D,E使用大陆之间的处理风格和anti-Eastern风格(见图5特定的处理)。可以看出,五个科目都改变了他们的处理风格切换时播放服务,和““在鼓掌的手从前面的口类型返回类型,但每个主题有不同程度的转换。

因为五个测试对象在本研究中都是右撇子的球拍,为了方便描述左右的面糊的身体,“右边”文本指的是蝙蝠的“控股”和“左”蝙蝠的“nonholding一边。”

扔球垂直帮助打击避免太多错误的预测球的空间位置,从而大大提高射击的准确性。扔球时,运动员应确保所有关节的上臂完全扩展,和上臂的相对位置,肩、肘、和身体直接决定。此外,运动员应该把球扔到右上角的身体提供保护的准确击中球准备击球时的右臂。此外,球的前锋位置的偏差相对于身体是符合人的惯性向前挥拍。因此,轻微的向前扔球时转向有效确保上面的球可以直接击中身体摆动。表2和数字6和7显示的结果研究平罢工扔球的位置,旋转。

从整体比较,每个主题将是不同的。然而,每个主体的比较分析两个投掷行动当服务球显示的偏差扔在两个水平轴(X设在和Y设在)的正方向旋转顶部大于扔的平的罢工。换句话说,它是更适当的把球扔向后面剩下的面糊前旋转时使用。

在投掷和球拍阶段,脚踝关节的弯曲,膝盖和臀部关节,减少身体的重心是充分的准备所需的爆炸力和快速反弹在未来激烈的摇摆。当向下弯曲的膝盖和臀部,腿部肌肉的伸展在某种程度上,导致拉伸和发射,这有利于形成爆炸性的力量。然而,肌肉组织的初始长度因人而异,所以膝盖和臀部的最佳角度时,最有利于发挥弯曲和蹲降低重心也对不同的人不同。此外,获得的结果是不同的在不同的测试对象。最大的区别是最小的关节角(表3和数字8和9)。

在拍阶段,左和右肩关节的运动特征主要反映在空间位置的变化。过程中两种类型的服务技术,左和右肩膀之间的垂直高度差表现不同。其中,变化的高度肩关节nonholding一侧是旋转顶部的高度高于平坦的罢工,和平均差三厘米。然而,变化的垂直高度肩关节控股方面表明,旋转顶部的高度低于平面罢工,和不同的是平均5厘米。由于以上两种服务技术的特点,肩膀之间的高度差更突出,平均差异大约是8厘米。同样,在水平空间之间的左和右肩膀,当使用前旋转,也大于当使用平罢工。的垂直高度的差异之间的左和右肩膀两种类型的服务是由蹲的程度的增加引起的膝盖和髋关节的右边(球拍一侧)的旋转。在这个过程中,膝盖和臀部关节的肩膀关节也有类似的特征。膝盖和臀部关节之间的差异在两个技术动作是反映在增加自旋。

表4和图10展示空间特征的比较的最低点肩关节在球拍阶段。

运动特征的膝盖、肩膀和臀部关节,我们可以得出结论,右膝盖,臀部,和肩膀关节弯曲左膝相比更低,臀部和肩膀关节前旋转时使用。此外,右膝盖和臀部关节的角度的旋转的角度小于膝盖和肩膀关节一边握着球拍的平坦的罢工。从这一点,可以得出结论,在球拍行动,当使用旋转顶部时,右边的主要关节的爆发力更充分地准备比使用平罢工时的摇摆。

从表5和图11发现,尽管手腕的垂直高度不是很不同,球拍和地面几乎是垂直击中的时候采用平罢工时,球拍是基本上倾斜平的时候打上旋球时采用。因此,撞击点的高度是前者和后者之间的不同。

的高度比较(单位:米)撞击点的平面罢工和旋转表所示6和图12。

如表所示6和图12在网球击球点是指球的特定空间位置摇摆时,击球。事实上,它是指击球员的身体的相对位置。当玩家点击球,击球手的每个部分的空间位置变化,但只有头部的位置是相对固定的。因此,它更实用作为头部的位置相对参考标记点描述击球点的空间位置。

三维距离(单位:米)之间的撞击点和扁平的头部空间位置罢工表所示7和图13。三维距离(单位:米)之间的撞击点和头部空间位置最高的旋转表所示8和图14。

比较两种类型的服务行为,可以发现,在前旋转,球一定程度的偏差的空间位置有利于上旋球的效果。然而,如果偏差的程度不够,上旋的效果是不明显的。由于各种相关设备和其他条件的限制,没有办法测量球的转速被击中后的视频。不过,我们可以分析和判断球的比旋度用球拍的subspeed头在其他方向击球的时刻。通过研究和分析视频数据的五个实验测试人员,可以得出结论,五个实验测试人员的击球点在使用前旋转都是向左倾斜在某种程度上比在使用平罢工和后方。与头部空间位置相比,撞击点偏离到左边,更高的速度球拍击中的时候,和更大的旋转球的速度。相反,如果击球点转移到左不够,球拍的顶级自转速度会相对减少了在碰撞的瞬间,顶端球的自转速度将减少,侧旋率会增加,侧旋球的速度将会增加。此外,目前在击球之前,合理的手肘弯曲,手腕摆动技术可以有一定影响的最终速度拍头。此外,晃动手腕一个重要区别的速度点和腕关节的速度的控制。因为点接近腕关节的控制,明显的速度差必须来自最后摇晃手腕关节。 However, the flexion of the elbow and the shaking of the wrist should not be too large. Excessive flexion of the elbow and wrist joints will cause changes in the flight path of the ball and ultimately reduce the quality of the serve. Moreover, it is especially important that a large swipe of the wrist can easily cause the ball to fall into the net.

在网球,有不同的姿势平坦的罢工和旋转。具体区别是平罢工之间形成的角度和旋转。平罢工几乎是垂直于地面的时候打,而顶部之间的角度旋转和地面的时候冲击相对较小。通过比较这两个服务之间形成的角度方法和地面在表9和图15,可以得出结论,没有显著差异的垂直高度两个服务方法击球时手腕关节。因此,角之间形成冲击和地面的那一刻起着决定性的作用在决定的垂直高度击球点。

使用机器学习的特点来分析网球运动过程可以有效地提高特征提取效果和发现运动员在比赛和训练的问题。数据特征提取是一个有效的方法通过实验反映了实际情况,也是体育的必然发展方向。

7所示。结论

机器学习研究的一个主要焦点是提高模型预测的泛化精度和效率,但是在许多应用程序中,它缺乏预测结果转换成行动的知识的能力。本文首先介绍了研究背景和国内外研究现状,给出了简明的概述数据挖掘和知识提取和解释了行动研究的重要性,从数据挖掘知识提取方法。提出了一个操作知识提取方法,提取高预测精度和高效率的决策行动的数据,这种方法适用于网球的技术分析。

数据科学的巨大进步,从数据中提取模式的最终目标是促进决策。它是可预见的,机器学习模型将成为理性决策的一部分在大规模人工智能系统。这些模式将是关键的支持行动。本研究使用思米运动人体运动视频处理软件来显示每个操作的变化形式在数字的方式。此外,这一研究过程中获得的数据,分析和总结了合理的逻辑和推理,获得的数据和分析数据结合模型构造。研究结果表明,本文模型构建的性能很好。

本文采用实验研究方法提取和分析网球的动作特点。模型建立在本文中只局限于实验阶段,和后续需要研究和培训,从实际的角度看竞争,本文的数据量相对较小。在未来的研究中,需要使用大量的数据进行分析。

数据可用性

所需的原始/处理数据复制这些发现也不能在这个时候作为数据共享一个正在进行的研究的一部分。

的利益冲突

作者宣称没有利益冲突。

引用

1. p s装玻璃和量化这些活动美国麦迪扎德”,挑战传统模式在应用运动生物力学的研究中,“运动医学卷,49号2、171 - 176年,2019页。视图:出版商的网站|谷歌学术搜索
2. t·马伦j .顿,c .转折”的内部和外部反应forward-specific英式橄榄球联盟仿真协议执行,没有身体接触,”国际期刊《运动生理学和性能,10卷,不。6,746 - 753年,2015页。视图:出版商的网站|谷歌学术搜索
3. l . g . Appelbaum g·埃里克森,“运动视觉训练:审查的最先进的数字训练技巧,“体育及运动心理学国际审查,11卷,不。1,第189 - 160页,2018。视图:出版商的网站|谷歌学术搜索
4. r .控制和d . Memmert”大数据和战术分析精英足球:体育科学未来的挑战和机遇,”SpringerPlus,5卷,不。1,1-13,2016页。视图:出版商的网站|谷歌学术搜索
5. k . r . Ridderinkhof和m .黄铜动觉运动图像是如何工作的:predictive-processing可视化理论在体育和运动专家,”Physiology-Paris杂志,卷109,不。1 - 3,53 - 63年,2015页。视图:出版商的网站|谷歌学术搜索
6. d·穆里根k . r . Lohse n·j·霍奇斯,“action-incongruent次要任务调节预测精度在经验丰富的演员:电动机仿真的证据,”心理学研究,卷80,不。4、496 - 509年,2016页。视图:出版商的网站|谷歌学术搜索
7. o . m . Khudolii o . v . Ivashchenko Iermakov et al .,”计算机模拟少年体操运动员的训练过程,”体操科学杂志,8卷,不。3、215 - 228年,2016页。视图:谷歌学术搜索
8. k . tiven d . s .戴手套,“高保真的影响心肺复苏(CPR)模拟训练学生知识、信心,情绪,和经验,“体育训练教育杂志,10卷,不。2、103 - 112年,2015页。视图:出版商的网站|谷歌学术搜索
9. o . v . Ivashchenko、o . o . Kapkan和o . o . Kapkan“模拟过程的14 - 15岁的女孩”训练光的运动和体操练习,教育学、心理学、Medical-Biological体能训练和运动的问题,19卷,不。8日,32-39,2015页。视图:出版商的网站|谷歌学术搜索
10. p·d·欧文和n .王”在体育联盟竞争平衡措施:季节长度变化的影响,”经济调查,53卷,不。1,第744 - 731页,2015。视图:出版商的网站|谷歌学术搜索
11. j·杨,“模拟乒乓球在运动的过程中,“加勒比科学杂志》,52卷,不。4、1561 - 1564年,2019页。视图:谷歌学术搜索
12. m . Bulat: Korkmaz, y z亚斯兰,和w·赫尔佐格,“肌肉骨骼仿真工具对理解机制的下肢运动伤害,”当前的运动医学报告,18卷,不。6,210 - 216年,2019页。视图:出版商的网站|谷歌学术搜索
13. a . Lopatiev o . Ivashchenko o . Khudolii et al .,“系统性的方法和数学建模在体育教育和体育,“体育教育和体育杂志(jp),17卷,不。1,第155 - 146页,2017。视图:谷歌学术搜索
14. n . Bennour”教学实践和学生在体育课:教师教育视角,”创造性的教育》第六卷,没有。10日,934 - 944年,2015页。视图:出版商的网站|谷歌学术搜索
15. d . Sghaier m . s . Elandoulsi, a . Bouassida”体育老师的培训游泳说教的联合作用下,“创造性的教育》第六卷,没有。22日,第2437 - 2433页,2015年。视图:出版商的网站|谷歌学术搜索
16. n Cutforth和e . s . Belansky community-engaged方法翻译研究实践:一个体育教育的故事,“发展社区卫生伙伴关系:研究、教育和行动,9卷,不。4、571 - 582年,2015页。视图:出版商的网站|谷歌学术搜索
17. E.-R。黄和T.-Y。金”,加强公共卫生、教育卫生、和武术在日本殖民时期(1937 - 1945),“运动康复杂志》,14卷,不。2、160 - 167年,2018页。视图:出版商的网站|谷歌学术搜索
18. d . Murase k . k . Yokoyama和y y YamamotoHasegawa,“棒球捕捉模式根据不同任务约束,“体育教育的发展》第六卷,没有。3、151 - 157年,2016页。视图:出版商的网站|谷歌学术搜索
19. j·t·斯佩克特和m . Lieblich信关于“比较低成本marker-less和高端概略介绍动作捕捉系统工作的计算机辅助评估人体工程学”Patrizi等人研究再现性”,人体工程学,60卷,不。4、597 - 598年,2017页。视图:出版商的网站|谷歌学术搜索
20. f . Sa, a .品牌:b.f.罗查,m . j . Trigueiro c·坎波斯和j·施罗德,“运动学参数的性能在精神分裂症患者使用markerless动作捕捉系统,”躯体感觉和运动的研究,32卷,不。2、77 - 86年,2015页。视图:出版商的网站|谷歌学术搜索
21. M.-K。金、t . y . Kim和j . Lyou”明显的性能改善动作捕捉”,协会杂志》上的控制,机器人技术和系统,21卷,不。12日,第1172 - 1167页,2015年。视图:出版商的网站|谷歌学术搜索
22. Z.-M。周和z。陈,“动作捕捉数据的调查获得高维时间序列,”国际多媒体和无处不在的工程杂志》上,10卷,不。9日,相当于17 - 30,2015页。视图:出版商的网站|谷歌学术搜索
23. m·a·汗,“动作捕捉数据的多分辨率编码实时多媒体应用,”多媒体工具和应用程序,卷76,不。15日,硕士论文,2016页。视图:出版商的网站|谷歌学术搜索
24. a . Puupponen b t Wainio, t . Jantunen”头部动作在芬兰的手语动作捕捉数据的基础上:一项研究的形式和功能点了点头,点头,手臂,头拉,”符号语言和语言学,18卷,不。1,41 - 89,2015页。视图:出版商的网站|谷歌学术搜索
25. r . Giannetti彼得雷拉,j·巴赫et al .,“体内骨位置使用高频超声测量与三维光学运动捕捉系统验证:可行性研究,“医学和生物工程杂志》上,37卷,不。7日,1 - 8,2017页。视图:出版商的网站|谷歌学术搜索
26. s . h, s . l . Wang,陈,h·孟和g·刘,“光学运动捕捉技术应用在电力安全实体的仿真培训系统,”光学与光子学》杂志》第六卷,没有。8,155 - 163年,2016页。视图:出版商的网站|谷歌学术搜索

版权

版权©2020洪晃和邓日盛。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。