文摘
为了提高篮球投篮的准确性。射击精度预测方法基于收敛改善资源分配网络(CIRAN)在线径向基函数神经网络(时滞)大小,提出了时滞学习算法是改进的大小。通过收集射击运动图像、特征点提取、边缘轮廓特征提取,射击运动轨迹。使用基于CIRAN在线神经网络学习算法来预测的准确性,该方法分析了径向基函数(RBF)网络。基于RBF的分析,网络层和隐层神经元的数量进行调整和优化。为了提高预测的准确性在篮球、射击方法。通过分析,可以知道,这两个传统的时滞和大小的准确性CIRAN-based在线神经网络预测的射击精度在70%以上。在线神经网络的预测精度高于传统的拍摄。这主要是因为在线更新的函数学习算法可以更好地调整相应的结构随着游戏的发展,有一个更好的泛化能力。此外,由于CIRAN学习算法介绍了隐层神经元删除策略,其网络结构比传统的简单,隐层神经元的数目少,和所需运行时间少,可以更好地满足实时的要求,提供一个更科学的方法进行篮球训练。
1。介绍
随着计算机图像处理技术的发展,嵌入式数字图像和视频信息分析方法用于进行图像分析和特征提取的运动,建立特征分析模型的运动图像,提高特征识别的能力和体育运动校正。在篮球、射击的准确性决定了得分的关键。有必要研究提取的篮球运动员的投篮运动轨迹,结合篮球拍摄的图像特征分析方法,重建和定量跟踪篮球运动员的投篮运动轨迹(1],建立图像分析模型,篮球运动员的投篮运动轨迹和校准能力的提高篮球运动员的投篮动作。研究篮球球员的射击运动轨迹的提取方法引起了极大关注。基于Harris角点检测的方法提取特征图片右下方肢体动作在篮球2),这种方法首先映射像素灰度的空间分布的上肢动作区域图像,使用高斯混合模型标准和标准化的运动员和右下方的轮廓的四肢粉碎,Harris角点检测方法是用来进行仿射不变的封闭区域的连续运动图像增强处理的运动员,和拐角检测运动员的上肢的轮廓进行完成篮球的图片右下方的四肢粉碎。行为特征提取方法,然而,在提取精度较低的行动特征图片右下方四肢的篮球运动员。排球运动员的运动轨迹优化基于混沌理论识别方法(3)是基于背景差别原则检测球员的运动轨迹,以及使用的颜色直方图的粒子。过滤进行动态跟踪、融合与混沌理论重构相空间的运动员的运动轨迹,混沌不变量代表了运动员的运动轨迹提取重构相空间,三维空间的运动轨迹特征转换为一维运动轨迹,和优化识别排球运动员的轨迹。然而,这种方法有一个较低的精度预测的轨迹排球运动员。解决上述问题,本文提取的篮球运动员的投篮运动轨迹优化算法基于块的增长,提取的边缘轮廓特征收集篮球运动员的投篮运动轨迹图像,建立了图像融合的篮球运动员的投篮运动轨迹模型,并提取的图像特征射击运动轨迹,实现提取和角点的篮球运动员射击运动轨迹。最后,进行了仿真实验分析显示该方法的优越性能在提高篮球运动员的能力的射击运动轨迹提取。
目前,视频分析领域的人体运动,大多数的研究成果主要是在讨论运动行为的识别,但没有深入研究对运动行为的预测。然而,在现实生活的过程中,基于视频人体运动行为的预测比行为识别(有更多的实用价值4]。在许多拥挤的公共场所,例如,基于视频的人体运动行为预测技术可以用于预测可能的刑事行为监控视频,和促使犯罪行为预测及时通知公安部门促进行动由公安部门相应的解决方案。通过这种方式,它不仅可以减少人力,材料,和金融资源,公安部门花在安全调查也有效防止突如其来的罪行。在体育领域,一组全面的人类运动行为预测技术在视频可以准确地获得一些优秀的团队的游戏数据在相关的运动训练和调整每个运动员的体育行为预测鉴别器(5]。通过鉴别器,教练可以区分不同的运动锻炼和标准的运动,以便有针对性地调整训练强度。在篮球比赛的过程中,有三个体育行为采取的整个游戏的玩家,也就是说,投篮,传球和运球。篮球比赛是一项团队运动与多个玩家;玩家必须相互合作才能赢得比赛。在篮球比赛中,玩家将受到各种因素的影响,如球员或对手时选择相关的体育行为。因此,篮球运动员的行为预测的过程具有高度的复杂性,这带来了一定程度的困难行为预测数学模型的建立(6]。结合这一特性,我们也可以认为篮球行为的预测是一个非线性问题。解决非线性问题,预测的人工神经网络广泛应用于非线性系统建模领域由于自己的自适应和非线性特征。在这方面,本文结合人工神经网络的优点,提出了一种基于CRIAN算法预测方法,并详细阐述了其实现。
本文的主要贡献是提出一个CIRAN-based在线时滞射击大小预测方法;射击的准确性预测是90%以上。剩下的纸是组织如下。部分2总结了国内外研究工作的分析动作。部分3介绍了拍摄图像采集和运动轨迹提取优化。实验结果发表在部分4,最后一节5本文总结道。
2。相关工作
目前,国内外许多大学和研究机构开展了研究数字视频技术引入辅助运动。国外知名研究单位有媒体分析实验室的麻省理工学院,哥伦比亚大学的数字视频多媒体实验室,工程和应用科学学院,罗切斯特大学,计算机科学学系在圣安东尼奥德克萨斯大学,荷兰代尔夫特大学多媒体分析实验室和微软亚洲研究院,美国研究所,三菱电机美国研究所,新加坡信息和通信研究所。国内研究机构主要包括先进的人机通信实验室、中国科学院计算技术研究所的模式识别国家重点实验室,中国科学院自动化研究所北京大学数字媒体研究所实验室和视觉智能接口,哈尔滨工业大学。
根据当前研究对象的复杂性,现有的文献可以分为两个层次:单人个人运动的分析和分析多人的团队运动。
当前研究个人运动主要体现在运动员的动作的识别和分析。1996年,在美国宾夕法尼亚州立大学开发了“提高跳板跳水的计算机图形学”体系帮助潜水教练和运动员加强他们对整个身体的姿势在潜水的理解;一些国立交通大学的研究人员分析了网球运动员的运动轨迹用于判断截击或网球比赛的底线球7];清华大学的“视频跳水姿势分析系统”使用目标检测和跟踪技术来提取运动目标从跳水视频,和比较体育目标,执行视频合成;卢武铉等人提出了一个基于曲率尺度空间模板动作识别方法(8- - - - - -10)和应用到球员的动作识别的网球比赛。冰上曲棍球和足球运动员的行为进行了分析和研究利用面向梯度直方图(猪)和隐马尔可夫模型(HMM)确定球员的运动的方向(11];苏等人提出了一个识别周期运动的方法12];钟山等人提出了一个外貌的方法(13)来识别和标签在网球比赛中球员肩膀波动(overshoulder swing)和一系列的行动如前部swing和臀部摇摆。这个方法被进一步扩大的后续工作。结合球员和球的位置信息,提出了基于推理的想法。Ramasso等人使用了TBM(可转让的信念模型)(14确定回跳,撑杆跳,三级跳远,和其他行动在田径比赛;卢武铉等人公认的各种姿势(15];敏等人获得了舞蹈轨迹跟踪的一些要点颜色芽舞者的身体部位16舞蹈动作),实现了自动分析;通等人意识到识别的四个游泳风格在比赛视频17]。
目前,有很多研究的轮廓跟踪和提取篮球投篮运动视频图像,和相对研究也产生了一定的结果。基于苏伦德拉背景的差异,一个篮球投篮动作视频图像轮廓跟踪提取方法(18- - - - - -20.),该方法首先使用苏伦德拉背景减法方法建立篮球投篮动作背景模型,给玩家一个完整的射击动作和获得动态运动区域;在此基础上,视频图像的轮廓跟踪和提取的篮球投篮动作完成。这个方法相对比较简单,但有一个大的问题的方法的局限性。篮球的视频图像轮廓跟踪和提取方法射击行动是基于视觉分析21,22]。该方法首先检测拍摄图像的边缘轮廓,让篮球投篮动作的动态特性分割阈值,它用作完成篮球投篮动作的基础。视频图像轮廓跟踪提取方法标记效率高,但当前的方法用于标记时,篮球投篮动作的动态像素信息特征不能被给予,和有问题的低轮廓跟踪提取精度。一个篮球投篮动作视频图像轮廓跟踪基于图轮廓特征提取(萃取方法23,24)第一次提取的动态图边缘轮廓特征点射击行动和使用亮点模型衍射方法实现视觉穿透。根据篮球投篮动作的技术特点,轮廓跟踪和提取篮球投篮动作可以完成视频图像。这个方法有打标精度高,但有一个问题,标记过程更加繁琐。
3所示。拍摄图像采集和运动轨迹提取优化
3.1。拍摄图像集合在篮球
为了实现篮球运动员的投篮运动轨迹的提取,视频传感器图像跟踪方法用于收集篮球运动员的投篮运动轨迹的形象;边缘轮廓特征提取收集篮球运动员的投篮运动轨迹图像和模糊决策方法用于状态识别和行动轨迹规划。网格分割方法用于把篮球运动视频图像采集的视频到功能块,之间的角投影速度方向和水平方向,也就是说,拍摄角度,是枪的射击点速度,重力加速度,篮球是扔在哪里 ,和 是篮球的轨迹函数定义如下:
在一个单一的规模,篮球运动图像的像素空间特性集合定义如下:
使用自适应加权阈值调制方法,图像网格分割的阈值 ,的初始值的特征点篮球飞行轨迹计算和边缘像素特征分解方法用于图像模板匹配和模板图像的像素块的数量了
在篮球投篮的位置转换 ,和目标配置是未知的。多尺度小波分解方法(25)用于段图像中的灰度值。分割阈值满足 和 和产生的高频部分篮球投篮的形象。 表示图像像素值的低频分量。收集到的图像特征是通过归一化处理和图像收集结果
当篮球投篮的输出像素的特性集满足约束条件 ,收集到的运动图像可以更好地反映拍摄角度信息和飞行轨迹特征。
3.2。特征点的提取
的基础上优化图像的集合,篮球射击轨迹的特征角点就是从图像中提取出来的。在运动,篮球的散射模型的状态方程射击轨迹被定义如下:
其中,射力的力量在一个定点,是收集到的原始图像的边缘像素序列,是运动函数multicontour视点切换的射击动作,高斯函数的标准偏差,的方向滤波器。
蒙特卡罗数学期望的射击,提取图像的边缘角落,和像素值提取图像的特征角在篮球投篮运动定义如下:
其中,是健身的判断,这是欧氏距离; 代表三维坐标分量值在体育射击和定点投篮。
篮球是在空中飞时,轨迹会发生偏差。由于风的阻力和其他因素的影响,飞行轨迹的衰减系数 。假设代表的边缘像素误差射击运动轨迹,轮廓边缘角点的像素值定义如下:
其中,是归一化常数。篮球投篮角度的统计特征分析和特征角点的计算是通过空间自适应校正方法。图像像素的数量定义如下:
其中,是灰色的相似度值, 是最大的视觉偏差引起的篮球投篮动作和其他因素的变化。
信息的数量特性对篮球运动员的投篮运动图像 。离散的像素序列重建方法重建三维篮球运动员射击运动图像。视频信息采集方法用于获取图像采样输出结果。灰色的执行信息融合在篮球投篮动作特征点获取篮球投篮动作特性,和视频跟踪融合点公式定义如下:
其中,和状态特征量和观测特征量提取篮球投篮动作特性。和服从均值为0,方差的正态分布 。根据上述分析,视频传感器图像跟踪的方法用于收集篮球球员射击运动轨迹图像,射击运动轨迹提取和图像信息监控执行根据图像采集的结果。
3.3。运动轨迹提取优化
基于上述视频传感器图像跟踪方法对篮球运动员射击运动轨迹图像采集和边缘轮廓特征提取,篮球运动员的投篮运动轨迹进行预测和特征提取,和射击运动轨迹提取进行了优化。本文提出了一种提取方法篮球运动员的投篮运动轨迹基于块生长算法。篮球运动员的图像融合模型的射击运动轨迹,建立了线性区域增长方法相结合来提取的图像特征的篮球运动员的投篮运动轨迹,和角点。篮球投篮动作的纹理结构信息特征点改变,平滑区域是杰出的,篮球投篮动作计算。特征缺陷图像的振幅调制信息组件,该组件的像素特征点图像的图像拍摄动作 ,定义如下:
其中,是轮廓边缘角点的像素值,然后呢代表了经验模态分解的像素值的篮球投篮动作特征点。使用计算机视觉分析、图像分为篮球投篮动作特性分割区域,分割区域执行多维搜索迭代。假设二维特性细分功能满足篮球运动员射击运动的图像 ,在哪里噪声的方差,结合区域线性增长的特征提取方法,篮球运动员的投篮运动轨迹点标签图像和角落,角落里点分布满足
其中, 最小二乘法功能的数量的篮球运动员射击运动图像,然后呢是一块融合信息熵的篮球运动员的投篮动作形象。模糊关联融合方法用于获取区域增长函数模型 篮球运动员的投篮运动轨迹。其中, 是像素分布的方差, 代表像素强度的篮球运动员的投篮动作形象。通过区域线性增长分析,当 是满意,的表达区域的特征分量的线性增长篮球投篮动作定义如下:
其中, 是篮球投篮动作的区域线性增长特征,然后呢是篮球投篮动作轨迹的检测阈值, 。三维特征量的篮球运动员的投篮运动图像提取和三维可视化表面重建方法重建运动轨道。根据角点分布和边缘轮廓的篮球运动员的投篮运动轨迹图像,篮球运动员的投篮运动轨迹的特征提取,和篮球投篮运动轨迹的表达 定义如下:
其中, 是全球的相关像素点的篮球运动员的射击运动图像的阈值分割,然后呢的特征量是篮球运动员的投篮运动轨迹跟踪。总之,轨迹的优化提取实现篮球运动员的投篮。
3.4。径向神经网络预测模型
的过程预测的准确性篮球运动员的投篮有相对较高的复杂性,这带来了一定程度的困难的行为建立数学模型预测。结合这一特性,我们也可以认为篮球行为的预测是一个非线性问题。解决非线性问题,预测的人工神经网络广泛应用于非线性系统建模领域由于自己的自适应和非线性特征。在这方面,本文结合人工神经网络的优点,提出了一个行为预测方法基于一种改进的RBF算法。
时滞是一个极其有效的前馈神经网络(大小26]。与其他神经网络相比,时滞有大小两种独特优势的最佳逼近性能和全局最优特性和其他基本特征的神经网络结构简单、训练速度快等。这是一个典型的前馈神经网络组成的三层。输入层节点的功能是通过隐藏层的信号;隐层节点是由径向基函数;输出层节点通常是简单的线性函数。在伽马,转换从输入层到隐层是非线性的。隐层的作用是执行一个非线性变换的输入向量,和隐层到输出层的转换是线性的,也就是说,网络是一个隐藏节点的输出,输出的线性加权和。对于特定的RBF网络的拓扑结构如图1。
常用的隐层径向基函数有以下形式:
(我)Multiquadric功能:
(2)逆multiquadric功能:
(3)高斯函数:
在公式(14)- (16),是一个常数,然后呢是RBF的扩张常数。
隐层的时滞的大小采用高斯函数作为径向基函数,定义和具体形式如下:
其中,代表了 - - - - - -维输入向量;的中心吗 th径向基函数,一个向量维度一样 ,和是径向基函数的宽度 th隐层神经元。是矢量的欧几里得范数 ,这通常代表之间的径向距离吗和 。 有一个独特的最大价值 ,当增加,它很快就衰减到0。对于一个给定的输入 ,只有一小部分的输入靠近中心被激活,即径向基函数是一个函数与当地感应的特征。假设隐层神经元的数目的时滞是大小 ,然后网络的输出形式可以定义如下:
其中,代表了偏见,隐藏层和输出层之间的连接权重。
它可以从神经网络的结构,一个是确定的建设和培训隐层神经元的数目 ,中心径向基函数的每个隐层神经元,宽度 ,和隐层到输出层的连接权。价值是这些参数的学习过程来完成所需的输入到输出的映射。的时滞,大小其网络的性能主要取决于隐层神经元的选择策略和更新过程的隐层到输出层的连接权值的网络。
学习算法的时滞可分为大小两类根据时间:离线学习,也称为批处理学习,学习和在线学习,也称为顺序。
(1)离线学习。离线训练方法训练RBF网络与一个固定的结构。中心提取训练样本空间的分布格局。中心点被选中后,确定了网络的结构。当数据模式变化时,网络不能作出相应的改变。虽然网络特征可以调整尽可能通过调整权重,该方法不是根本,和调整范围是有限的。尤其是当有一个样本没有学过,网络将失去其识别能力。因此,离线方法不强的时变系统。
(2)在线学习。采用离线学习模式、网络参数调整后才完成与所有训练样本进行学习,也就是说,一个时代。学习过程是一个时代一个时代以后,直到网络参数稳定和整个训练集的平均输出误差收敛于某一最小值,可以结束学习。当使用在线学习算法,在每个训练样本输入网络和计算,调整网络参数。具体来说,假设一个时代包含一个训练样本 。当第一个样品 进入网络,计算网络的输出。然后,学习算法来更新网络运行参数。重复这个过程,直到完成第一个训练样本的学习。在线时滞学习算法实际上是一个大小变训练方法。所谓的“变结构”意味着,在培训过程中,当前的时滞分配大小或增加隐层神经元实时根据输入样本,和网络拓扑是动态构造的。同时,在纠正体重的过程中,“中心”的位置进一步修正。采用简洁的“中央选择”原则和有效的举重训练算法可以实时的特点和速度。
目前,许多学者进行了研究在线学习算法。典型的算法如下:
3.4.1。跑(资源分配网络)的学习算法
资源分配网络(跑)的复杂性反映了原始的函数来模拟调整隐层单元的数量(27]。普拉特的学习算法,训练样本的“新颖”作为标准引入隐层神经元,然后更新网络参数LMS(最小均方)算法。当一个数据点远离现有的基函数中心有一个大型网络输出和实际输出之间的误差,数据点被认为是“小说。“如果输入样本不符合新颖性的要求,没有隐藏层神经元,但LMS算法开始调整现有网络参数包括中心,宽度,和体重。
3.4.2。RANEKF(跑扩展卡尔曼滤波)学习算法
RANEKF算法是一种改进的基础上学习算法。其隐层神经元引入战略是一样的学习算法。所不同的是,网络参数的调整使用扩展卡尔曼滤波(EKF)的LMS法(28]。扩展卡尔曼滤波方法具有更快的收敛速度比LMS的方法,但需要更多的计算机资源。然而,随着计算机硬件技术的发展,EKF方法有更多的优势在一个小问题。
3.4.3。MRAN(最小的)学习算法
MRAN算法不仅结合了隐层节点的增长标准跑学习算法还引入了一个隐藏层神经元缺失策略以获得理想的最小神经网络结构。程提出一个方法来删除隐藏节点1994年批学习算法(29日]。在这种方法中,每个时代都必须检查每个隐层节点的重量,和那些隐层节点权重值小于某个阈值将被删除。
灵感来自于程的方法,l .应魏等人提出另一个隐藏节点的删除策略MARN算法和称之为时滞的大小删除策略和RMS滑动窗口MRAN(最小资源分配网络)。第一个区别MRAN删除策略和程的方法是MRAN顺序学习算法,而不是批量学习算法。此外,MRAN删除策略不仅考虑隐藏节点的重量(30.,31日),但也认为隐藏节点的输出。
3.5。枪击事件预测基于CIRAN在线时滞。大小
MRAN算法的基础上,开发了学习算法和RANEKF学习算法。MRAN算法的学习过程包括引入新的隐层神经元、网络参数的调整,和删除隐藏层神经元。学习算法的定义如下:(我)对于每一个输入,计算 其中,代表了欧几里得距离最近的隐层的中心 , 代表输入数据之间的最大距离,代表输入数据之间的最小距离, 是一个衰减系数。随着输入数据的增加,以指数速度降低,直到 。 的宽度吗滑动窗口(一般40 - 50,经验需要设置)的均方根(RMS)时的窗口添加后输入错误样例输入时滞。大小(2)如果三个条件 , ,和 (所需的近似精度和吗满足预先设置的阈值)与此同时,然后添加一个新的隐藏层神经元网络,然后呢 ;然后,隐层神经元参数是以下三个公式: 其中,是重叠因子,确定隐层神经元的响应宽度。如果条件不满足,那么卡尔曼滤波器用于更新网络参数。(3)更新网络参数按照下列公式: 其中, 代表了参数后的状态样品进入网络,是卡尔曼滤波增益矩阵: 其中, 网络参数的数量,输出节点的数量,测量噪声的方差矩阵。 的梯度矩阵对参数向量 ,和到处都是误差协方差矩阵。使用以下公式更新: 其中,是单位矩阵,是一个标量,代表一个随机步长,用于确定大小的随机漫步在梯度方向。当一个新的隐层节点引入到网络的维数增加,新行和列需要添加吗 : 其中,是一个参数值初步估计,这是样本数据的协方差吗和 ,和添加新参数的数量是由于新隐层节点的引入, 。(iv)计算输出向量 和所有隐藏的节点,代表所有隐藏节点的最大绝对值的输出单元,当样品是输入。计算每个隐藏节点的输出归一化向量: 在连续输入的样品,如果 建立了,那么隐藏的节点可以被删除,和尺寸可以减少相应的调整来促进在下一步中卡尔曼滤波器参数。
上述MRAN学习算法的主要问题如下:首先,由于使用扩展卡尔曼滤波调整网络参数,这些参数必须被更新在每个迭代中,导致更新的过程参数的隐层神经元。矩阵的规模非常大,这就增加了时滞结构大小的计算复杂度,使算法来计算太多负担,消耗大量的计算机资源,和限制MRAN算法的实时应用;初始化算法,有太多的参数和初始化参数选择不当将大大降低算法的性能。有时,一个详尽的方法已用于多个试验。这将消耗大量的时间,导致算法推广性能显著下降。
在这方面,本文提出一种CIRAN(收敛改进跑)改进算法,主要体现在以下几点:(我)为了减少算法的初始化参数,GAP-RBP算法被吸收的想法,只隐层神经元的参数接近当前输入数据更新,和的定义和评估公式测量的重要性,介绍了隐层神经元,这减少了算法的初始化参数,提高了算法的泛化性能在一定程度上。隐层神经元的重要性定义如下: 其中, 和 是径向基函数的中心和宽度,然后呢输入向量的维数。如果一个隐藏层神经元的重要性小于给定的学习精度的实现 ,隐层神经元不再被认为是重要的,从网络中删除;否则,隐层神经元网络中应该保留。(2)重合度阈值的动态调整方法引入算法,以便CIRAN不需要设置参数的值 , ,和MRAN。参数可以动态地执行期间获得的算法。它的更新公式 其中,是预期的单点输出的准确性,当前的实际产出,是当前输出误差。(3)一种新的自适应调整方法,径向基函数的宽度的隐层神经元
所以,CIRAN学习算法可以定义如下。
输入:鉴于估计错误和单点输出预期的准确性 。输入样本 , ,(我)计算网络输出: 其中,隐层节点的数量。(2)新颖性标准计算以下数量: 其中,是最近的隐层神经元的中心在欧几里得范数的意义。(3)新颖性标准适用于判断neurons.If添加隐藏层 和 ,然后一个新的隐层神经元 被添加到网络中,和相应的参数设置为 否则,使用卡尔曼滤波器方法更新的节点参数最接近当前的隐层神经元网络中输入: , ,和 ,并检查隐层神经元是否满足输出条件;如果 ,删除隐层神经元,相应地,降低维数的卡尔曼滤波器。使用太多的隐层神经元节点时,模型会训练过度数据,泛化能力差,和分类效果越来越不明显。因此,CIRAN学习算法引入了一个隐藏层神经元删除策略。其网络结构比传统的简单。隐层神经元的数目少,和所需运行时间少,可以更好地满足实时的要求。
3.6。射击精度预测
使用在线CIRAN RBFNN-based射击预测提出了本文从方程(1),篮球应该空腹时进入净或篮球应该在一定的速度,当它击中内心的篮子,除了条件已经得到,当球在空中,球不能接触到篮子里。篮球和篮子定制尺寸。设置篮球的直径和篮子的直径 ,忽略空气阻力。是射击距离,拍摄高度,是拍摄角度;然后,射击速度定义如下:
结合分布式轨迹球投篮(13),如果下列公式,然后射击精度预测成功。
4所示。实验
为了验证枪击事件预测的有效性基于CIRAN在线时滞提出了大小,枪击事件预测和运行时间执行样本数量的篮球运动员的投篮运动图像。
4.1。模型评价
篮球运动员射击运动援助培训系统,选择1000组图像作为测试集和随机变量= 0.2,= 5,= 3,TT = ,分为10组;枪击事件预测成功率表所示1。
从表1,识别每组实验的数量相对较少,和正确分析的准确性相对较大,达到95%以上。拍摄预测的有效性基于CIRAN在线时滞可以看到大小。
4.2。预测比
为了确定方程(的重量33),让率= ,并确定权重和通过比较之间的关系比和预测精度在不同的比率。如图2当这两个的比例是0.98,CIRAN-based在线时滞具有更好的预测精度比传统的大小离线时滞。大小拍摄方法的预测精度提出了90%以上,而对于时滞方法大小,只有在70%以上。篮球运动员的射击精度预测在这个方法比传统的方法更加准确。
通过分析的准确性,传统的时滞和大小CIRAN-based在线神经网络预测的射击精度在70%以上。在线神经网络的预测精度高于传统的拍摄。这主要是因为在线更新的函数学习算法可以更好地调整相应的结构随着游戏的发展,有一个更好的泛化能力。
4.3。运行时间分析
CIRAN学习算法引入了一个隐藏层神经元删除策略,这需要更少的运行时间,可以更好地满足射击精度预测分析。从图可以看出3的比例,当隐层神经元节点的节点总数是0.28,运行时间是最短的。一般来说,CIRAN花费更少的时间来预测射击精度比时滞。大小
5。结论
在当今高度信息化的社会,运动训练也悄然发生变化。在各种体育的舞台,它不再是一个单纯的竞争的运动员的运动技能和身心素质全面竞争的科学和技术的发展,国与国之间的凝聚力。将人工智能和神经网络引入到篮球投篮预测可以大大提高预测的成功率。本文提出一种射击预测基于CIRAN在线时滞,提高了时滞学习算法大小大小。结果表明,本文提出的方法具有很高的准确率在预测的准确性篮球运动员的投篮和更少的运行时间。在未来,我们将进一步分析团队成员的行为预测通过射击精度的预测来提高团队合作;通过预测投篮,篮球运动员的轨迹的分析,以提高篮球运动员的准确性的射击。
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
作者宣称没有利益冲突。