文摘
滑旱冰是一个重要的和国际体育锻炼,有美丽的肢体动作是关注。然而,滚子运动员的下降也经常发生。辊上运动员的下降,这意味着整个竞争甚至辊运动员也许是受伤。为了避免悲剧,辊轨道可以分析和通知辊运动员终止比赛。这样的考虑,本文分析了辊轨道通过使用两个先进技术,即。,pattern recognition and neural network, in which each roller athlete is equipped with an automatic movement identifier (AMI). Meanwhile, AMI is connected with the remote video monitor referee via the transmission of 5G network. In terms of AMI, its function is realized by pattern recognition, including data collection module, data processing module, and data storage module. Among them, the data storage module considers the data classification based on roller track. In addition, the neural network is used to train the roller tracks stored at AMI and give the further analysis results for the remote video monitor referee. Based on NS3, the devised AMI is simulated and the experimental results reveal that the prediction accuracy can reach 100% and the analyzed results can be used for the falling prevention timely.
1。介绍
关于美丽的运动,轮滑是一个不可忽视的国际体育锻炼由于其优雅的肢体动作。由于辊运动员使高度装饰性的姿势在竞争的过程中,它可能导致危险的情况下,辊运动员的下降被认为是最具代表性的悲剧(1,2]。在辊运动员失败,这表明整个辊竞争被迫结束;同时,滚筒上的运动员可能会严重影响。因此,它是一个非常重要的研究课题,使检测辊的运动员。关于这个,评论和流行的方法是分析辊轨道,并在此基础上,可以减少下降的风险。
神经网络(3- - - - - -5)通常用于分析跟踪行为包括但不限于滚轮轨道,这是因为它有一些明显的优点。例如,它有较强的计算能力,尤其是对大规模数据的特性。除此之外,它还具有强烈的稳定性得到收敛分析结果。综上所述,可以使用神经网络训练预存储相关数据前辊轨道,给实时培训结果用于预防。有大量的神经网络模型,误差反向传播(BP)神经网络(但6,7有简单的网络结构。因此,本文运用BP神经网络的训练数据。
尽管如此,它还存在三个问题:首先,在BP神经网络模块嵌入;然后,预存储的数据容器是什么;最后,如何传送辊运动员之间的分析结果和远程视频监控裁判。这些前两个问题本文需要探索一个额外的组件,例如、自动运动标识符,(AMI)来存储这些辊轨道数据。特别是,AMI装备到辊运动员的身体。换句话说,BP神经网络模块嵌入到AMI和用于火车辊在AMI存储。然而,进一步的问题是如何获取辊跟踪数据。关于这一点,模式识别(8- - - - - -10)是一位候选人。也就是说,AMI可以实现的功能由三个固有模式识别模块,即。、数据收集、数据处理和数据存储。此外,在最后一个问题,它的超高要求数据传输的延迟和稳定性。在传输延迟被一定程度的认可,下跌行为不可避免,即使系统检测分析结果辊下降的运动员。同样,如果数据传输不稳定,远程视频监控裁判和辊运动员不能做出以下决定。这些担忧,5 g网络可以部署在体育馆和体育场的竞争以提高传输稳定性和降低传输延迟。
通过回顾上面的语句,可以看出使用模式识别和BP神经网络分析辊轨道,和5 g网络是用来保证数据传输(11- - - - - -13]。总之,本文的贡献如下所示。首先,介绍了整个辊跟踪分析结构。然后,AMI是设计,它的功能是实现了模式识别。第三,改进的BP神经网络用于做数据训练。最后,实验结果表明,预测精度可以达到100%,分析结果可用于预防及时下降。
剩下的纸是组织如下。部分2介绍了整个网络体系结构。部分3使用模式识别实现AMI。部分4使用BP神经网络训练数据。部分5实验结果报告。本文得出的概述部分6。
2。网络体系结构
整个网络体系结构包括两个人物角色,即。,roller athlete and remote video monitor referee, where the former is the main research object and the latter is the assistant research optimization, as shown in Figure1。特别是,整个网络体系结构引入了一个新的组件,即。,AMI to store the roller tracks data, and AMI is equipped into the body of roller athlete.
此外,AMI由两个模块组成,即。、模式识别和BP神经网络。与此同时,模式识别模块用于实现AMI基于数据收集、数据处理和数据存储,数据存储部分考虑了数据分类基于辊轨道。BP神经网络模块用于火车轮跟踪存储在AMI并给进一步的分析结果。
此外,根据分析结果,整个网络体系结构包括两种类型的消息传输。一方面,AMI提供分析结果直接辊运动员和比赛被迫终止。另一方面,AMI提供远程视频监控分析结果裁判进行姿态调整。如果分析结果属于紧急情况,第一种消息执行;否则,执行第二种消息。尤其是第二个条件,AMI之间的数据传输和远程视频监控裁判取决于5 g网络保证快速和稳定的性能。
3所示。模式识别
使用模式识别实现AMI的功能,包括数据采集、数据处理和数据存储。模式识别的系统框架如图2完成,整个过程是基于现场可编程门阵列(FPGA) [14]。具体而言,固有的静态随机存取存储器(SRAM) [15)用于提取辊轨道。然后,数字信号转换成模拟信号的D / a变换器。最后,基于带阻滤波器和输入的模拟信号放大到FPGA接收、处理和存储。
3.1。特征向量的决心
数据分类过程中辊,它涉及到归因问题的数据样本。对于这样的问题,基本原则是构建的最大隶属度函数。此外,让表示th数据对象的特征向量,数据应用辊轨道,表示为 和 。对于任何 ,如果退出, ,和被认为是一个隶属度值的 。在此基础上,所有隶属度函数可以确定基于辊轨道的特性值,用于使辊轨道的数据分类。
对于特征向量的确定,根据切比雪夫大数定律(16)是用于获得凝固方程对随机变量: 在哪里是一个随机变量;方差;是平均值;和是错误的值。当方差相对较小,相应的误差值小于 。换句话说,当且仅当凝固值是平均值,可以保证相对较小的误差值。为了进一步使辊轨道的数据分类,本文介绍了一项决议,对目标设置: 在哪里是对象,是背景。
3.2。隶属度函数的计算
让表示任何数据的应用程序的特征向量,例如, ,在哪里的子组件它集中在平均值。数据应用程序 , 用于计算相关隶属度值 。特别是,柯西分布(17用作参考的隶属度函数,如图3。
基于柯西分布参考,计算如下: 在哪里是平均值。关于进一步获取数据存储的AMI的方法,本文使用最大隶属度来解决这个问题。让表示最大隶属度函数有关 ,它的定义如下:
根据 ,本文在AMI可以完成数据存储考虑基于辊轨道的数据分类,和相关的伪代码描述如下。其中,1号线意味着时钟收集;2号线意味着串行通信的初始化时钟;4 - 5和7 - 8行意味着解决处理;第6行意味着输出处理数据;第9行意味着完成数据存储。(1)flash模块(2)输入w_clk(3)输入r_clk(4)输入w_runtrack(5)输入r_runtrack(6)8:[0]datain输出(7)输入[9:0]wrads(8)输入[9:0]拉德(9)输入[8:0]set_rtrack
4所示。BP神经网络
BP神经网络是一种多层前馈网络,及其拓扑如图4,包括输入层,隐藏的图层,输出层。
BP神经网络的权重调整是相当重要的,如下: 在哪里是网络输出层和隐层之间的重量;是网络输入层和隐层之间的重量;和是两个增量的重量;是输入的数据吗 - - - - - -th节点;输出的数据吗 - - - - - -th节点;和 BP神经网络的学习速度。特别是,负号表示梯度下降的动作。此外,BP神经网络的误差函数,定义如下: 在哪里预期的输出结果与是实际的输出结果。
然而,传统的BP神经网络有两个明显的局限性。一方面,训练速度非常缓慢;另一方面,很难收敛于全局最优。因此,为了提高识别效率和辊跟踪分析的准确率,本文改进了传统的BP神经网络从两个方面,即:附件,动量和学习速率优化。
利用动量附件方法,改进后的重量调整如下: 在哪里是动力因素;是自学速度;是培训的数量;和 的梯度 。方程(7)表明,当建模误差减少,不同的动力因素是用来调整整个网络参数,从而达到全局最优的网络性能。具体而言,当错误是平坦的表面状态时,动量因子增加加速收敛过程;相反,当错误是陡峭的表面状态时,动量因子减少避免网络不稳定。根据上述声明,动量因子定义如下: 在哪里是一个随机数,满意吗 。特别是,当错误是平坦的表面状态和相应的曲线保持底部, 逐渐减少,直到满足以下方程: 避免的情况 。
事实上,不变的学习速率对BP神经网络的性能有重要的影响。为了保证BP神经网络总是最大的培训效果,动态学习速率的定义如下: 在哪里是一个参数,满足 。
根据上述声明,BP神经网络用于火车轮跟踪存储在AMI,和相关的伪代码描述如下:(1)输入辊跟踪数据(2)根据图构建BP神经网络4(3)添加动量因子和自主学习在BP神经网络(4)计算误差函数根据方程(6)(5)重量修改调整(6)检查的数量是否满足给定的训练(7)输出结果分析了滚子的踪迹(8)将结果发送到辊运动员或监视器裁判根据真正的紧急情况
5。绩效评估
拟议中的模式识别和神经但,网络驱动下辊跟踪分析方法,称为PRNN,由NS3实现(18),这是一个离散事件仿真器。开放以来辊轨道无法获得数据集,本文模拟1500轮比赛,认为他们的数据跟踪。此外,本文是第一篇论文提出辊跟踪分析基于新兴的计算机技术,也没有合适的比较基准。因此,本文认为没有改进的BP神经网络的方法,称为PRWI,作为基线。与此同时,有四个5 g无线基站用于支持高效的数据通信。详细的部署如图5。
5.1。参数测定:和
改进的BP神经网络,和是两个重要的参数。在本文中,假设 ,和不同的设置生成不同的网络性能。在本节中,标准差是衡量网络性能,而标准差越小意味着更好的网络性能。实验结果在标准偏差对不同和设置如表所示1和图6。
从表可以看出1和图6的增加 ,标准偏差的变化包括两个阶段。首先,标准偏差逐渐降低。然后,当达到0.7,标准差最小值。在那之后,标准差逐渐增加。作为一个结果,设置为0.7。不同于 ,的标准偏差显示4变化阶段,和相应的拐点是0.4115 ,0.5106 ,和0.4953 分别。很明显,当 ,相应的标准偏差的最小值。作为一个结果,设置为0.3。
5.2。预测比
基于 和 ,执行辊跟踪分析基于1500轮比赛,在模拟的数量设置为15。实验结果在预测率对不同模拟图所示7。可以看出PRNN总是比PRWI更好的预测率,预测PRNN总是保持100%的比例,因为这篇论文从两个方面提高了传统BP神经网络,即。附件,动量和学习速率优化。PRWI,其预测比率较低,相应的稳定性也不好,不同从86.49%(第九模拟)95.06%(第二个模拟)。
5.3。沟通时间
尽管PRNN预测率达到了100%,这并不意味着分析结果可用于预防及时下降。因此,这部分测试的沟通时间说明PRNN的可用性。1500轮比赛,有60次事件要求AMI调整传输消息或终止信息。此外,有54次事件的第一个条件虽然有6次事件为第二个条件。AMI的辊之间的通信时间的运动员可以忽略由于AMI装备到辊运动员的身体。有鉴于此,本文只测试AMI之间的通信时间和远程视频监控裁判。平均通信*关于54 *事件在不同模拟数据所示8- - - - - -11,图8显示实验结果基于1 Gbps的网络带宽,人物9显示那些基于5 Gbps网络带宽,图10显示那些基于10 Gbps的网络带宽,和图11显示那些基于15 Gbps网络带宽。
从数据可以看出8- - - - - -11PRNN的沟通时间总是比PRWI较小,这是由于改进的BP神经网络加快了收敛速度。此外,5 g的情况下网络,网络带宽的增加,通信时间大幅减少。它表明,5 g网络有很大的性能提升的沟通时间。此外,它也观察到,随着网络带宽的不断增加,沟通时间PRNN与PRWI之间的差异变得越来越小。这表明,5 g网络可以保证PRNN的可用性;也就是说,分析结果可用于预防及时下降。
6。结论
本文研究了滚子跟踪分析基于模式识别和BP神经网络。特别是,5 g网络是用来保证传输的稳定性和效率。与此同时,关于模式识别,它是用来实现AMI的功能,包括数据采集、数据处理和数据存储,整个过程是基于FPGA完成。然后,关于BP神经网络,本文改进了它通过考虑动量附件和动态学习速率。仿真是由NS3,预测率和通信时间被视为两个绩效评估指标,和实验结果表明,该辊跟踪分析方法可用于预防辊下降运动员及时。
本文是第一篇论文提出辊跟踪分析基于新兴的计算机技术,具有重要的参考价值领域的运动。然而,本文也有一些限制。起初,AMI还没有实现的系统平台。然后,模拟只取决于NS3和缺乏验证试验台的基础上的。最后,姿势各种辊运动员是不考虑。在未来,上述限制将被克服。
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
作者没有利益冲突。