跟踪机制基于反向传播神经网络体育竞争的压力

文摘

通过运动员的大局竞争压力,压力水平的参与的运动员可以被理解和揭示。运动员的压力源和影响因素的分析可以找到措施缓解和减轻压力,为监管提供理论参考的运动员的竞争压力。基于遗传算法和神经网络理论,提出了一种跟踪体育竞争压力的方法基于遗传算法的反向传播(BP)神经网络来解决这个问题,传统的神经网络学习算法速度慢,容易陷入局部最小值。之间没有显著差异水平的男性和女性运动员的竞争压力。运动员训练方法和相同的目标,相同的竞争压力往往是相同的,没有明显的差异;不同教育背景的运动员在训练中没有显著差异,学者、运动伤害,人际关系,社会期望和评价。由于舞台上的特殊性,大四本科和三年级硕士的竞争压力明显高于其他年级。运动员参与学院乒乓球比赛的数量有非常显著差异竞争维度。在培训和自我价值维度差异有显著差异。运动员参加了学院的竞争压力乒乓球锦标赛第一次显著高于运动员参加了多次。 There were significant differences between athletes before and after adapting to the venue. Before adapting to the venue, the competition pressure of athletes is generally greater. After adapting to the venue, the competition pressure of athletes has been relieved.

1。介绍

最困难的任务之一,为运动员在他们的整个运动生涯是克服逆境,实现最佳性能(1]。运动员心理技能训练可以帮助完成这个艰巨的任务。在过去的三十年,传统的基于认知行为主义心理技能训练一直占主导地位(2- - - - - -4]。近年来,基于正念训练干预措施已经开始出现在运动心理学领域由于其温和的方法和他们的专注于手头的任务,以减少过去或未来与他们纠缠。有经验的支持,他们在体育实践已经证明了它们的有效性5]。

神经网络是一个活跃的边缘交叉学科。人工神经网络是相对于生物学的生物神经网络系统(6]。它的目的是用一个简单的数学模型来描述生物神经网络的结构。在某种程度上,quasibiological智能行为的神经网络解决问题的智能信息不能由传统的算法(7,8]。它是大量的基础信息并行处理和大规模并行计算。神经网络是一个高度线性动态系统和自组织自适应系统,它可以描述的智能行为认知、决策和控制(9]。心理学家麦克洛克和数学家皮特提出正式的神经元的数学模型和研究的潜在功能连接基于神经元模型的几个基本元素(10]。辛顿和Sejnowshi使用统计物理学的概念和方法提出Boltzman机模型,并使用模拟退火技术学习过程,以确保系统是全局最优11]。相关学者发表了一系列研究成果和方法(12- - - - - -14]。由于出色的工作,他们为神经元网络的研究提供了一种催化剂,使这个研究和应用进入全盛时期15]。后来,Kosko提出双向联想记忆和自适应双向联想记忆为学习提供有效的方法在嘈杂的环境中16]。其中,反向传播(BP)神经网络已成为最成熟和广泛使用在许多神经网络。形成的基因反向传播人工神经网络结合遗传算法和BP神经网络遗传算法和人工神经网络的优点,已广泛应用于故障诊断和近年来模式识别(17]。相关学者提出的在线学习方法适合非线性跟踪基于前馈神经网络的结构(18]。这种方法的优点吸收最小二乘法在线和传统BP算法。快的收敛速度和良好的跟踪性能,适用于非线性跟踪。研究人员使用神经网络跟踪的来源多元时间序列,提出一种综合跟踪方法结合多种信息,并使用股票交易为例,中国股市的发展轨迹,用信心股价理论(19]。进一步解释的特点,从信息的角度利用神经网络跟踪方法。相关学者提出的电力系统短期负荷跟踪的方法使用分布式分层人工神经网络,分析了结构分布式分层神经网络原理,并讨论了使用该算法的优点和神经网络的实现20.]。相关学者已经提出了一个自适应模糊神经网络对混沌序列的可追溯性21]。与传统的自适应模糊神经网络相比,该自适应模糊神经网络极大地减少了神经网络的节点数量而不影响跟踪精度。同时,由BP神经网络学习算法基于混沌动力学,提高了收敛速度和跟踪精度。使用这个TS模糊神经网络和相应的BP学习算法,跟踪Mackey-Glass混沌时间序列。与传统的TS模糊神经网络相比,更好的结果,验证了该方法的有效性。相关学者引入了人工神经网络技术来深基坑系统的复杂非线性和多步跟踪的重要性基坑工程变形(22- - - - - -25]。通过分析变形的多步跟踪的一个例子在软土深基坑,递归神经网络的可靠性和实用性的多步跟踪基坑变形。

本文提出一种方法跟踪体育竞赛的压力基于基因反向传播人工神经网络分析的影响选择隐层的节点数的基因反向传播人工神经网络的迭代计算速度和诊断结果。在这篇文章中,隐层节点的数量是13,容许误差范围是0.12,网络训练的数量小,识别精度高。根据调查结果,分析了运动员竞争压力的原因,这样教练就可以正确地理解运动员的心理状态,因此在日常教学与训练中,运动员可以有针对性的训练运动员的反应力的水平。这有助于后续管理和监管的竞争压力和努力采用控制策略的前提下理解运动员的来源的压力保持在一个适当的标准,找到方法来避免高竞争压力。这将极大地提高运动员的能力来应对竞争压力。在比赛之前,教练可以制定合适的减压方法为个人基于通常的竞争压力评估,以保持良好的竞技状态。

本文的其余部分组织如下。部分2讨论了相关理论和技术。部分3建立了一个基因反向传播人工神经网络模型。节4的跟踪实验分析运动员的竞争压力和影响因素的竞争压力。部分5总结了全文。

2。相关理论和技术

2.1。人工神经网络

神经网络使人们研究原则、模型和神经网络的应用的基础上,加深他们对神经系统的理解。人类的神经系统是由两种类型的神经元和神经胶质细胞组成。神经元由细胞体,树突和轴突,如图1。成千上万的神经元共同构成了神经网络完成基本功能。

人工神经网络是一种模拟生物系统。其信息处理功能是由输入和输出特性(激活特性)单元(神经元)的网络,网络的拓扑结构(神经元的连接方式)和连接的大小重量(它是由神经元之间的连接强度)和神经元阈值(可视为一个特殊的连接重量)。

人工神经网络使用一个简单的数据处理单元来模拟神经元作为网络的一个节点,并使用重量来模拟每个神经元之间的关系(即突触连接的强度)。积极的重量作为兴奋性突触,负权重函数作为抑制性突触。一个节点有多个输入,类似于神经细胞的树突,收到来自其他神经元的兴奋性和抑制性信号。计算处理单元执行所有输入值的加权求和并生成一个输出值通过加权和的内部转换函数,它的功能相当于轴突传递神经冲动的神经细胞。

2.2。反向传播算法

BP算法采用梯度搜索技术来最小化之间的均方误差输出和预期的输出。网络的学习过程是一个向后传播的过程,而纠正权重。算法的原理和步骤描述如下:

在一个多层网络中,有两种类型的信号流:(1)工作信号:信号应用输入信号后,向前传播,直到在输出端产生的实际输出。它是一个函数的输入向量和重量。(2)错误信号:区别网络的实际输出信号和期望输出的误差向后传播输出一层一层地结束。

假设BP网络的输入层米节点,隐藏层n节点和输出层l节点。输出层和隐层之间的重量 ,我= 1,2,n,j= 1,2,米,隐藏层和输出层之间的重量t_ij,激活函数的隐层单元和输出层单元是年代乙状结肠的函数,即

假设有一个训练样本。样本的输入向量X和输出向量Y。然后,隐藏层的每个单元的输入

每个单元的输出的隐藏层

每个单元的输入输出层

每个单元的输出层的输出

假设的理想输出我th单元的输出终端D_我,然后这个单位的错误

然后,输出总平方误差

梯度下降法的迭代方程可以推导出网络连接权重。连接的迭代方程输入层和隐层之间的重量

迭代方程的隐层和输出层之间的连接权重

2.3。描述性分析的竞争压力

2.3.1。不确定性

不管这项运动,竞争压力似乎是提高性能密切相关。看来,竞争压力也更有影响力的个人,而不是团队运动,但竞争压力之间的关系和性能系数是正的。当运动员参加,压力大于压力当与别人竞争的团队;当队友们在场上时,你可能无法跟踪性能,因为其他玩家会影响结果。这个结果与其他研究者的结果相似。领域在许多报告,压力和性能团队和个人之间的可溯性运动员是不同的。之后,体育被分为开放和封闭的技能。竞争压力和性能之间的关系有更强的影响开放技能(也就是说,技能不断变化的环境中)比在封闭的技能。事实证明,结果可以解释的不确定性和重要性竞争环境如何影响一个人的应力状态。具体来说,当一个运动员不确定他是否有能力获得期望的结果,这个结果是很重要的运动员,他或她的压力将会增加。

2.3.2。自信的条件

在众多影响因素,自信似乎影响是否有经验的竞争压力对性能的影响是促进或削弱。信心似乎监管压力对性能的影响。同一活动可能产生压力在某些人,幸福的人,和水平的信心可能是压力的经验中介或幸福。一个中立的评价方法基于压力性能的混合效果可以替代竞争压力。信心和压力应共同检查。压力和自信相关构造,当运动员注意到其中一个,他们可能会注意到。通过理解的信心和压力水平运动员在比赛前,教练和其他体育专业人士能够更好地跟踪运动员的表现。此外,这种理解可能会促使运动员找到管理这些资源结构以一种便捷的方式。

2.3.3。时间

竞争压力之间的关系和性能更强,而技能水平较低的运动员有一个较小的或无关紧要的关系。高水平运动员,竞争压力的存在似乎提高性能。这些发现被进一步探讨。随着技术水平的提高,技术水平研究混合的结果。与大学生运动员相比,精英运动员水平增加了竞争压力。竞争压力是最密切相关的性能31-59前几分钟比赛。随着比赛时间的临近,竞争压力和性能之间的关系逐渐减弱。

2.3.4。失败的外表

应对压力的一个重要因素的有效运作体育精英,和对失败的恐惧(FF)是运动员经历压力的一个例子。对失败的恐惧增加了运动员的负面看法和担忧失败在很短的时间内。这随后导致增加负面情绪(焦虑)和减少在短期内运动员的自我意识和动力。对失败的恐惧似乎减少一些运动员的自信心,让他们采取消极的态度,和减少他们的动机来执行,因为他们害怕失败,接下来的后果的可能性。

3所示。基因反向传播人工神经网络模型

3.1。多层前馈网络和BP学习算法

神经网络的最大特点是它的学习能力。在学习的过程中,连接网络改变了相应的权利,和学习内容已经记住了。其中,学习规则决定了神经网络的连接权重的变化。

两个神经元之间的连接权重两个神经元的活动价值成正比。例如,vi和vj代表两个神经元的输出值,以及它们之间的体重的变化 在哪里θ步长或常数。

作为最基本的工作单元的神经网络中,神经元的结构很简单,和它的处理能力相对比较简单。然而,大量的神经元组成的神经网络与简单的结构和功能有许多优越的特点。有很多类型和不同的人工神经网络结构,适用于不同的情况下,建立的困难和解决不同类型的模型也不同。

多层前馈网络的结构如图2。每个神经元都是由一个节点表示。网络由输入层、隐藏层和输出层节点。隐藏层可以是一层或多层,和前面的节点层到层连接权重。由于BP算法,它通常被称为BP神经网络。

整个网络的学习过程可以分为两个阶段。第一阶段是计算从底部的网络。如果网络的结构和重量已经设置和已知的学习样本的输入,可以计算每一层的神经元的输出。第二阶段是修改权重和阈值,这是最高水平向下的计算和修改,修改相关的权重已知错误的最高水平的最高水平,然后修改每一层的权重。

3.2。反向传播BP神经网络和遗传算法的融合

BP网络是一个简单的向前分层网络领域的常用的神经网络。这种类型的神经网络具有良好的适应性的特点,自主学习,强非线性逼近、大规模并行处理、容错。

网络模型有一个隐藏层中间的层,使用一个错误传播算法,相应的学习规则。特别是,其数学意义明确,清晰的学习算法步骤使其有广泛的应用背景。

用人工神经网络建模是基于生物神经网络基本知识的机制。根据思维的控制过程,建立了相应的模型,和适当的算法用于优化网络模型的参数,如连接权值和阈值,获得问题的优化模型。由于BP神经网络的位置,当BP网络用于跟踪体育竞争压力的来源,获得网络模型的参数很容易陷入局部最优。因此,有必要提高BP神经网络的缺陷,很容易陷入局部最优。

另一方面,遗传算法容易不成熟收敛。虽然有很多相应的改进方法,主要目的是保持个体的多样性算法,如调整操作参数和增加人口规模,而不考虑改进。后者算法具有学习能力和鲁棒性,是神经网络的优势。

从上面可以看出,如果神经网络和遗传算法相结合,可以充分利用两者的优势,所以,新算法具有学习能力和鲁棒性的神经网络和遗传算法的全局随机搜索能力强。

两者的结合主要是反映在使用遗传算法在神经网络中,也就是说,优化网络的重量和优化网络的拓扑结构。本文主要讨论了利用遗传算法来优化前馈网络的权重。基本思想是把网络的学习过程是一个寻找的过程最优权重的设置权重空间。组合算法的系统结构图如图3。

3.3。建立基因反向传播神经网络模型对压力跟踪在体育竞赛

基因反向传播人工神经网络的基本结构是神经网络。输入单元的活动状态代表了原始信息输入到这个网络。每个单元的活动取决于输入的活动单元和输入单元之间的连接权重和隐藏的单位。同样,输出单元的行为取决于隐藏单位的活动和体重之间隐藏的单元和输出单元。从输入单位信息的传播是隐藏的单元,最后输出单元。输入单元和隐藏的单元之间的权重和隐藏的单元和输出单元确定每个单元时活跃。通过修改这些权重,提出神经网络可以逼近任意连续函数,可以实现多变量的非线性函数。

对于任何连续函数在闭区间,一个隐藏的神经网络可以用来近似。三层网络可以完成任何n维m维映射,所以本文选择三层网络,也就是说,隐藏层是一层的数量。隐藏的数量单位的选择是一个非常复杂的问题,没有很好的分析公式来表达它。可以说,隐藏单位的数量直接相关的需求问题,输入和输出单元的数量。如果隐藏单位的数量太小,网络可能不收敛,或者网络不强,不能认识到没有见过样品。容错是可怜的,但是太多的隐藏单元使学习时间太长,错误可能不是最好的。因此,有一个隐藏的最佳数量单位。 在哪里k样品的数量,n1隐层单元的数量,然后呢n是输入的数量单位。

分类器,主要原因是其输入和输出是二元函数,通常输入二进制图像像素和特性,输出是0,1,等等,所以你可以参考感知器模型。

在遗传算法中,初始种群中的个体是随机生成的,和人口规模的确定是极大地影响选择操作。群体规模越大,越高的个体多样性,和小的风险算法陷入局部解。因此,从群体多样性,群体大小应该更大。然而,太大一组尺寸计算的数量将会增加,这将影响算法的效率;同时,当有太多的个人组中,少量的高度自适应个人选择和幸存下来,但大多数人会被淘汰,这将影响匹配的库的形成。另一方面,集团规模太小,这将限制遗传算法的搜索空间的分布范围,所以搜索可能停止在不成熟的阶段,导致未成熟收敛。在实际应用程序中,一群的个体数量的范围通常是数十到数百。本文选择的人口规模是90。

让一个是父解向量,选择组件一个_k突变。孩子们进行变异操作后获得的

其中,

这里,rnd(2)意味着整数模2将均匀随机生成,和t是当前进化一代。

其中,r∈(0,1)是一个随机数,T代表最大的代数和λ是一个参数来确定的程度不一致。

3.4。落后的关键算法和实现过程通过GA-BP神经网络

在本文中,基于梯度下降法的遗传算法和BP算法相结合进行混合训练BP网络。首先,我们使用遗传算法来优化初始重量分布,然后找到最好的染色体优化初始重量分布,运用BP学习染色体一次,重复这个步骤,直到满足精度要求为止。通过这种方式,混合训练的效率和效果优于单独使用BP算法训练网络,它可以提高BP网络的收敛速度和交叉局部最小值,避免遗传算法的早熟现象。

当使用遗传算法优化BP网络的初始重量分布,染色体遗传算法的BP网络的重量,评价函数的遗传算法的BP网络误差函数,和满意的解决遗传算法的BP网络的权向量。实现过程如图4。

4所示。运动员的竞争压力情况,分析影响因素的来源的竞争压力

4.1。运动员的大局的竞争压力

根据调查问卷的结果分析在大学乒乓球运动员的竞争,我们比较的平均价值的各种标准竞争压力每个运动员的来源,分布和比例的每个事件的次数,和天平的排名统计数据维度的分数。研究分析表明,整体水平大学乒乓球运动员的竞争压力相对较高。

研究人员的问卷调查表明,竞争压力大学生乒乓球锦标赛的运动员普遍存在。调查问卷有35个基本项目和7项基本信息。大局的竞争压力的大学乒乓球冠军球员了。在七维的竞争压力下,每个维度的平均得分排名从高到底。订单竞争,运动损伤,和自我价值。相应的平均分数的研究、培训、社会期望和评估,和人际关系是17.751,9.358,8.352,7.214,6.566,3.914和3.542。数据显示,运动员的整体应力水平相对较高,竞争的四维空间,运动损伤,自我价值,对运动员学习成绩有更大的影响。

从图可以看出5的三维空间中产生较大影响运动员的竞争是竞争压力、运动损伤和自我价值。其中,竞争维度得分最高,表明大学生乒乓球锦标赛运动员最大的压力来自于竞争维度。在整个比赛过程中,高度关注竞争,竞争和过多的考虑结果和任务运动员造成强烈的心理负担,进而影响了他们的正常性能。运动员容易心理阴影和挫折后输掉这场比赛。研究发现,大学生乒乓球锦标赛运动员更陷入困境的竞争对手或观众的维度。在现场调查中,我经常发现当观察运动员在球场上的表现,当运动员得分,他们会喊出欢呼的话说,和队友会有节奏地鼓掌、鼓掌。此时,运动员失去点会眉头紧锁,反复看。因此,在竞争压力控制的过程中,心理咨询和心理干预应该被使用。教练应积极与运动员多次沟通,合理组织竞争心理状态,查看结果。其次,运动损伤有更高维度分数,排名第二,表明大学乒乓球冠军球员面临的竞争压力在这个竞争是相对较大的运动伤害。

4.2。各种尺寸的竞争压力

4.2.1。准备竞争维度的情况

的平均分数的“竞争”的重要性,大学乒乓球锦标赛的运动员竞争以3.95分维是极高的。此外,许多人选择“正常的压力,”“高压”和“极端压力”选项是53岁,81年到62年,占总数的94.3%。“输了比赛后,得分为3.43分。其中,100人和82人在普通和高压力下,占85.1%。此外,许多人选择了“平均压力”和“高压”选项是158,占总数的75.4%。竞争维度的情况如图6。

4.2.2。运动损伤方面的情况

运动损伤方面的大学乒乓球冠军运动员,“受伤的恐惧在训练或比赛,”“训练或比赛期间的伤害”,“伤病影响训练和比赛由于运动损伤,“分数3.11,3.06,和2.82,分别。有134、132和135人更大的压力选择,分别占64.1%,62.8%,和63.4%的人的总数。在这三个项目,大多数人之间平均和高压力。运动损伤的情况尺寸如图7。

4.2.3。自我价值维度的情况

自我价值的维度,大学生乒乓球锦标赛的运动员分为三个点:“渴望赢得每一场比赛,”“希望有良好的运动性能,”和“想要最好的团队。“他们是3.93,3.32,和2.98。其中,47岁的21.7%,96年45.1%,73年,34.2%的人选择一般压力;的数量和比例选择最强调的是76人,占36.7%,26岁的11.9%,29岁,和14.3%,分别。在这三个项目,大多数运动员都在正常的压力。自我价值的情况如图8。

在任何竞争中,运动员追求的最高目标,努力赢得每一场比赛。只有这样他们会认真对待游戏的战斗精神和信心,并希望自己有良好的运动性能是一个演示和测试平时刻苦训练的结果,和措施完全在游戏中增加一个人的信心和动员游戏的热情。“想要最好的团队”应该是任何运动员的声音。只有当每一个运动员不放松他的要求,他能有良好的技能和策略,实现良好的结果。

4.3。跟踪影响因素的来源大学乒乓球冠军球员的竞争压力

4.3.1。适应性的影响运动员的竞争压力

如图9之前和之后,有一个非常显著差异适应场地( )。适应场地后压力明显低于之前的压力适应场地。虽然为运动员,比赛不是一个恐怖电影,将会有许多未知数在适应场地。个人适应场地后,在比赛大厅,与表和练习,你会有一个伟大的对整个场地的结构的理解,所以你有一个底线和调整。这也反映在采访由研究者在运动员的适应时期。

适应运动员的地点是非常重要的。在适应场地之前,他们演奏鼓和感觉有点慌张。练习一段时间后,他们逐渐放松,和运动员提前注意到地板是湿滑的,至少他们心里有对场地的理解,这几乎缓解压力。

4.3.2。比赛经验的影响因素对运动员的竞争压力

如图10,调查运动员经验参与学院乒乓球比赛分为两个标准,一个是参加一次(“第一次”),另一个是参与2到8倍(因为注册条件的限制)。

根据规模的分析和现场采访,大部分的运动员参加全国大学生乒乓球锦标赛第一次新生。这样的运动员,谁是新的大学,相对不熟悉国家大学比赛和自我期望值会更加焦虑。如果你想得到结果和证明自己,担心你的错误或缺点会影响团队的表现,你会更有可能在竞争压力。运动员参加了学院乒乓球锦标赛多次熟悉系统和竞争规则和参与有丰富的经验。他们更熟悉一些运动队或运动员。参与大型活动的水平相对较深理解,和无形的心理压力将大大减少。

4.3.3。性别对运动员的压力的影响

男性和女性运动员受到独立样本T测试和分析表明,没有显著区别男性和女性运动员之间的竞争压力。如图11之间不存在显著差异,男性和女性运动员在比赛,训练,学校工作,运动损伤,自我期望值,人际关系,社会期望和评估。这是因为运动员从小就开始训练,经常参加乒乓球比赛,并且不区别对待在日常训练中,所以没有显著区别男性和女性的乒乓球运动员的七个维度的竞争压力。运动员是一个特殊的群体。大学生运动员相同的任务和目标,和男人和女人有相同的渴望竞争的结果,所以没有明显的差异。

4.3.4。学历对运动员的影响

根据学历的大学生乒乓球锦标赛的运动员,受试者分为两个层次,即本科生和研究生。独立样本T测试两个运动员进行了不同层次的教育。在个别维度存在很大差异。如图12,两组运动员在训练中没有显著差异,学术能力,运动损伤,人际关系,社会期望,和评价,但在竞争和自我价值维度有显著差异( )。因为今年的毕业生可以报名参加竞争,本科组包括一年级,二年级,三年级,四年级的学生,今年刚毕业的学生。研究生包括一年级、二年级、三年级和毕业生2019人。

5。结论

从学习的角度来看,GA-BP神经网络是一个强大的学习系统,系统结构简单,易于实现;从系统的角度来看,它是一个静态非线性映射,可以通过简单非线性处理单元的复合映射。遗传算法优化的BP神经网络模型是一种非常有效的神经网络模型。在训练中没有显著差异,学者,运动损伤,人际关系,社会期望,和评价运动员不同学历的大学乒乓球锦标赛,但在竞争和自我价值维度有显著差异。由于舞台上的特殊性,大四本科和三年级硕士的竞争压力明显高于其他年级。运动员参与学院乒乓球比赛的数量和他们的学术、运动伤害、人际关系、社会期望、评价维度并不重要。有非常显著差异的维度竞争和培训和自我价值的维度上存在显著差异。竞争压力的运动员参加了学院乒乓球锦标赛第一次显著高于运动员参加了多次。有非常显著差异之前和之后大学乒乓球冠军运动员适应。在适应场地之前,运动员通常是更大的竞争压力。 After adapting to the venue, the competition pressure of the athletes has been relieved, indicating that it is very necessary to adapt to the venue before the competition.

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

作者宣称他们没有利益冲突或者人际关系可能出现影响工作报告。

引用

1. r·冯周宏儒。郑,高h . et al .,“递归神经网络和随机森林的分析和准确的预测大气污染物:一个案例研究在杭州,中国,“《清洁生产卷,231年,第1015 - 1005页,2019年。视图:出版商的网站|谷歌学术搜索
2. t·李和j·歌”,研究推广方法的积极心理健康的大学生生态体育教学的模式下,“Ekoloji,28卷,不。107年,第1868 - 1861页,2019年。视图:谷歌学术搜索
3. m·达·利奥·d·Bortoluzzi, g . p . Rosati帕皮尼”与神经网络模型车辆纵向动力学”,车辆系统动力学,卷。58岁的没有。11日,第1693 - 1675页,2020年。视图:出版商的网站|谷歌学术搜索
4. z d . c . Wang Li Li et al .,”一个高效的基于局部二进制模式的足底压力光学传感器使用卷积神经网络图像分类,“Optik卷,185年,第557 - 543页,2019年。视图:出版商的网站|谷歌学术搜索
5. h·马和x彭日成运动医学数据处理算法的研究和分析基于深度学习和物联网,”IEEE访问7卷,第118849 - 118839页,2019年。视图:出版商的网站|谷歌学术搜索
6. a . Falamarzi s Moridpour m . Nazem, s . Cheraghi”预测的电车轨道轨距偏差使用人工神经网络和支持向量回归,”澳大利亚土木工程杂志》上,17卷,不。1,第71 - 63页,2019。视图:出版商的网站|谷歌学术搜索
7. a . Bonfitto a . Tonoli s Feraco e·c·Zenerino Galluzzi r .,“模式识别神经分类器在攀岩、检测”美国机械工程师学会学报》上,部分病人:体育工程与技术》杂志上,卷233,不。4、478 - 488年,2019页。视图:出版商的网站|谷歌学术搜索
8. d·帕特尔·d·沙阿,m .沙”大脑和身体的纠缠:定量分析大数据如何影响系统的运动,”年报数据的科学,7卷,不。1,硕士论文,2020页。视图:出版商的网站|谷歌学术搜索
9. r·唐纳德·t·豪厄尔斯·t·豪厄尔斯et al .,“降血压药事件的预警使用贝叶斯神经网络在neurocritical保健”杂志的临床监测和计算,33卷,不。1,39-51,2019页。视图:出版商的网站|谷歌学术搜索
10. j·f·邓恩和c·班尼特,”crank-kinematics-based引擎汽缸压力重建模式,”引擎研究的国际期刊,21卷,不。7,1147 - 1161年,2020页。视图:出版商的网站|谷歌学术搜索
11. e·芬尼根m . Villarroel c Velardo, l . Tarassenko”自动检测方法和阅读的七段数字图像的血糖米和血压监测,“医学工程与技术》杂志上,43卷,不。6,341 - 355年,2019页。视图:出版商的网站|谷歌学术搜索
12. p . r . Duchowicz”,将辛醇和水水溶性部分的研究,分离系数和蒸汽压力的杀虫剂,”定量构效关系在环境研究SAR和没有,卷。31日。2、135 - 148年,2020页。视图:出版商的网站|谷歌学术搜索
13. 任n h . Yu, y, c .杨”一个特殊事件再模型对短期交通状态预测,“IEEE访问7卷,第81729 - 81717页,2019年。视图:出版商的网站|谷歌学术搜索
14. 沈x、y郑和r·张“混合预测模型为混合动力机器鱼的速度基于bp神经网络和遗传算法优化,“IEEE访问,8卷,第111741 - 111731页,2020年。视图:出版商的网站|谷歌学术搜索
15. h .英航“医疗体育康复运动损伤的深入学习系统基于核磁共振图像分析,“医学成像和卫生信息学杂志》上,10卷,不。5,1091 - 1097年,2020页。视图:出版商的网站|谷歌学术搜索
16. 沙玛,y辛格,n . a . Kumar“燃油喷射压力和时间对Polanga(属Inophyllum)混合生物柴油对发动机性能和排放分析,“能源,一个部分:复苏,利用率和环境影响第41卷。。24日,第3057 - 3046页,2019年。视图:出版商的网站|谷歌学术搜索
17. x谢林和s·罗伯逊”,决策支持系统的开发框架的高性能运动,”国际计算机科学杂志》上的运动,19卷,不。1,1,2020页。视图:出版商的网站|谷歌学术搜索
18. m·坎波s Champely b Louvet et al .,”组的情绪:证据emotion-performance关系在团队运动中,“研究季度锻炼和运动,卷90,不。1,54 - 63年,2019页。视图:出版商的网站|谷歌学术搜索
19. c·l·阿特金森,“完全竞争和开放公共采购:价值观和道德感染机会,”国际公共管理杂志》上,43卷,不。13日,1169 - 1182年,2020页。视图:出版商的网站|谷歌学术搜索
20. d . Ilić诉Mrdaković,“如何赢得一枚奖章在个人运动三个consequtive奥运周期,”Fizička Kultura,卷73,不。1,第119 - 106页,2019。视图:出版商的网站|谷歌学术搜索
21. t .南帝,r . Lewthwaite b·e·菲舍说,她和g·j·萨勒姆,“平衡信心量表:初步的有效性、可靠性和关系在年轻的成年人神经兴奋性,”体育及运动心理学,43卷,第310 - 301页,2019年。视图:出版商的网站|谷歌学术搜索
22. s的“t研究、c . Holscher和s . i Fabrikant”收购调查知识为当地和全球地标配置在时间压力下,“空间认知和计算,19卷,不。3、190 - 219年,2019页。视图:出版商的网站|谷歌学术搜索
23. h . Hu b . Tang x锣,w·魏和h·王,“智能故障诊断的高速列车大数据基于深层神经网络,”IEEE工业信息,13卷,不。4、2106 - 2116年,2017页。视图:出版商的网站|谷歌学术搜索
24. w·吴x夏,m·沃兹尼亚克,x粉丝,r . Damaševičius李和y”Multi-sink分布式功率控制算法在煤矿Cyber-physical-systems隧道,”计算机网络卷,161年,第219 - 210页,2019年。视图:出版商的网站|谷歌学术搜索
25. d . Połap m . Woźniak w·魏et al .,“多线程的神经网络的学习控制机制,”未来一代计算机系统卷。87年,16-34,2018页。视图:出版商的网站|谷歌学术搜索

版权

版权©2021华语赵和Shaonan刘。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。