文摘
领域的武术,运动员能够赢得竞争的主动权,如果他们可以正确和及时获取领域知识,有效地评估形势,制定一个合适的策略。在本文中,我们使用模糊数学、数理统计、人工智能学习算法进行系统、深入研究武术比赛场景的选择决策。模糊数学理论相结合的智能设计理论决策基于多重代理,案例推理的选择,和适应性评价分析。武术竞赛现场决策系统构建基于人工智能学习算法。我们的方法优于现有方法的准确性、敏感性,特异性,马修的相关系数(MCC)。我们的模型结果可以预期有可能更好的灵活性和可伸缩性的武术比赛。
1。介绍
武术在中国是一个独特的传统项目,用不尽的财宝在中华民族的文化遗产。作为一项运动,武术程序由不同风格的技术动作。攻击和防御哲学的内涵和极高的观赏价值,使人们合理的享受1]。此外,武术的例程是高度赞扬其丰富多样的文化形式。结合竞技武术常规和西方竞技体育文化使日常活动更有效。全球武术套路的影响力越来越大,越来越多的国际球员开始练习武术套路和参与国际竞争。武术套路和奥林匹克的概念,更高,更快,更强的日常积累更多的竞争。因此,有必要通过科学训练提高运动员的技术水平。
过去,研究武术的发展常规主要集中在形势分析,定性分析,发展方向讨论,和未来的发展趋势预测等。然而,很少有研究竞技武术常规竞争性能影响因素,和几乎没有研究影响因素运动员竞争的表现,从运动水平的角度2,3]。因此,运动员的运动需要措施,改善运动模式的分类分为重要组和在他们的决策支持专家培训。
在这种背景下,越来越多的人工智能学习算法的重要性导致了重大贡献。人工智能学习可以模拟和扩展人类智能。这些算法允许发展的理论、方法和应用系统模拟和扩展人类智能。它的一个主要目标是使机器能够执行复杂的任务,通常需要人类智慧。它的迅速发展是广泛应用于军事、金融、管理等领域。本文的目标是建立一个人工智能系统,适用于武术助理竞争决策通过专家系统平台、数据挖掘、网络分析和虚拟现实(4- - - - - -6]。人工智能决策支持系统(IDSS)是计算机智能系统与特殊的知识和继承的经验。它结合了人工智能方法和决策支持系统(DSS) (7- - - - - -11]。许多研究人员已经进行了很多研究中的难点。在[12),提出了网络智能决策支持系统框架,为决策者提供有效的决策支持。在[13),作者构造的数据管理、决策、基于粗糙集理论和建模一个人工神经网络与专家系统相结合来产生新规则的知识,实现模糊决策支持系统。在[14剂),作者综合到一个智能决策支持系统,提出了一种新的协调引擎基于多重代理和信息交互算法。可替换主体任务的基础上,提出了智能决策支持系统的体系结构,提高了智能决策系统的可靠性和有效性15]。在[16),钻井过程的智能决策支持系统,提出了基于事例推理的解决信息不准确16]。
然而,很少有研究竞技武术常规竞争性能影响因素,和几乎没有研究影响因素运动员竞争的表现,从运动水平的角度2,3]。本文的主要贡献如下:(1)我们综合运用模糊数学、数理统计和人工智能学习算法进行系统、深入研究武术比赛的现场决策的选择。(2)模糊数学理论相结合的智能设计理论决策基于多重代理,案例推理的选择,和适应性评价分析。最后,武术比赛现场决策系统构建基于人工智能学习算法。
本文的其余部分组织如下。部分2讨论了系统的初步概念通过专注于不同的方法其次是人工智能决策方法适应性评价部分的武术比赛3。部分4提出了性能度量指标。结果和讨论部分中介绍5。最后,部分6总结了论文的一个总结和未来的研究方向。
2。系统的初步构想
武术比赛现场的初步概念系统决策分为三个层次,即。、数据库层、处理层和显示层。数据库层基本支持平台,为处理层提供数据支持。处理层是核心的行政组织。它负责武术之间的逻辑处理策略。显示层的目的是将处理过的数据转换为决策(17]。图书馆在这一层主要完成武术战术数据的收集和构建武术战术数据仓库。数据仓库是指有效集成多种异构数据源。集成后,重组是根据主题。它主要用于支持决策和analysis-oriented数据处理。通过武术战术数据的收集,人工智能系统助理完成基础数据的收集和存储,训练数据,现场数据,文档和图像数据,包括特性数据库武术运动员,教练的特性数据库,案件的策略数据库。武术的战术分析图表如图1。
从图可以观察到,武术的策略分析收集的数据从不同的角度,通过统计报表和战术演绎水平。这些包括个人数据的运动员、教练员和体育科研人员和各种各样的传统统计数据和现场数据。显示层的决策分析是建立各种话题,分析数据的不同主题,获得最优方案,并协助指导决策。战术演绎在表现层是指模拟和显示位置和攻击和防御路线在你一边,另一边通过电子方式在竞争领域。它反映了策略采用你的一边,另一边并分析你身边最好的攻击路线和防线。
3所示。人工智能决策的适应性评价武术比赛
复杂武术比赛的适应性评价涉及众多因素,很难选择哪一个。由于武术运动的复杂性,比赛中往往面临着多种不确定因素。人工智能方法可以分析复杂的影响因素,可以用来有效地评估武术比赛的适应性。基于理论和实践和案例推理的模糊,武术比赛现场的人工智能决策提出了适应性评价。
3.1。武术比赛适应性的评价方法基于模糊数学
模糊理论可以模拟人类思维,它对人类决策是可行的。模糊理论的模糊隶属关系特征可以应用于许多决策领域。目前,模糊从属决策已成功获得相当大的科学研究。现场适应性评价武术在复杂条件下的竞争受到各种定量和定性不确定因素的影响,如武术动作设计、程序设计、现场性能状态和设备问题。由于这些因素的不同单位和属性,不容易进行比较。除此之外,它是一个复杂问题的适应性评价选择的主要或关键影响因素很多因素,然后使用一些可测量的指标来描述它们。为评价指标的可公度性的问题,模糊数学方法可以有效地解决。由于这些影响因素的适应性评价武术比赛现场,使用模糊综合评价方法的结果更准确和适用18]。
3.2。模糊综合评价模型
假设评估目标 和评价指标设置工厂等于网络 ,那么一个模糊综合评价的基本模型如下: 在哪里综合评价的价值和吗是评价的健身目标。评价指标的重量是由层次分析法(AHP)确定的。层次分析法是一种定量和定性分析结合的多目标决策分析方法。它结合了数学处理人类经验和主观判断,可以有效地分析非连续性关系水平的客观标准体系,全面测量评价的判断和决策。的方法确定评价指标的权重如下(19]。
根据评估,目标是实现基于评价指标之间的相互影响和从属关系。指标的层次结构分为目标层、准则层和指标层由高到低(图2)。上层的指标中发挥主导作用的指标。
的差异对指标的影响,根据上面的判断矩阵构造方法可以客观地反映。不过,当分析和比较的结果指标,不可避免地会有一定程度的不一致性。消除不一致,判断矩阵中的元素应满足下列条件:
3.3。评价指标的模糊隶属函数
模糊集和元素之间的关系可以表示任何区间值,即:0 1。当模糊集完全包含的元素,它是表达为“1”;当模糊集不包含元素,它是表达为“0”。同样,隶属度指标的不确定性会员元素集和模糊集之间的关系。一般来说,在解决实际问题时,首先要确定隶属函数,通常大约由推理方法。隶属函数的内涵是反映客观规律的函数公式,合成过程中,重组,改变人们的主观意识。因此,隶属函数的确定应符合客观规律和具有一定程度的主观性和经验,而不是通过主观想象。成员函数可以由直观的方法,模糊统计方法,首选比较法,二元比较法,绝对比较法。
3.4。智能决策支持系统
一个智能决策支持系统(DSS)利用机器学习的优势在定性分析和不确定推理和专家系统技术,充分利用人的经验和知识在解决问题,并提供了一种新的方式来解决上述问题。专家系统建立了领域专家的知识基础和解决问题的基本系统。专家系统可以使机器智能达到甚至超越人类专家水平在某些方面。统一技术管理的应用通常针对特定领域的决策问题。将专家系统技术应用于决策支持系统和建立一个智能决策支持系统(DSS)能克服专家系统和决策支持系统的局限性。更好地支持管理决策服务人工智能和专家系统技术不仅产生深远影响的技术和决策支持系统的结构也产生深远的影响近年来决策支持系统的概念。几乎所有的DSS的研究基于机器学习技术的应用,结合专家系统和决策支持系统是一个直接的身体。智能DSS的所有部分,如人机对话组件的结合,解决方法的结合,结合数据库模型基础,方法的基础,他们的管理系统。专家系统技术和决策支持组件的结合提高了每个组件的功能,这无疑将大大提高可支持性的决定(20.- - - - - -23]。
随着研究的深入,专家系统技术已经渗入了DSS的各个方面,如架构和解决问题,对决策有重要影响的方法和过程。智能决策支持系统的研究已经逐步发展的扩张在过去决策的功能组件的综合集成组件和从过去的定量模型基于知识的智能决策方法,这使得智能决策支持系统的理论和方法逐渐成熟。涡轮研究了决策支持系统的实现了1%,但智能系统实现方法不能保证开发的系统是一个智能决策支持系统。
智能决策支持系统(IDSS)是一种与特殊的知识和经验的计算机智能程序系统。它的结合是一个专家系统(ES)和一个武术比赛现场决策支持系统(DSS)。结合定性和定量分析的特点有机结合,和解决问题的能力和范围可以改善。如图3的结构图,它是集成专家系统和决策支持系统的武术比赛的场景。
从图可以看出,DSS和ES IDSS的结合主要体现在以下三个方面:(1)DSS的整体组合和ES(2)KB和MB(3)的结合静态数据库(DB)和动态数据库
3.5。深层神经网络模型
深神经网络模型是一个多层网络的处理节点和最广泛应用于工业、模拟游戏,机器人技术,和其他许多不同的领域。深神经网络模型需要构建基于大量的数据。深模型可以建立基于各种关系和法律分析数据挖掘,也可以建立结合武术专业知识和教练和专家的经验。可以获得有价值的信息通过模型,从大量的数据,这些信息可以显示在一个直观的形式,这样的数据可以发挥有效的作用,和模型可以动态地增加通过实际应用和改进。此外,战术演绎、虚拟领域,虚拟展厅,和其他性能方法逐渐成熟。
的深层神经网络助理系统的基础武术竞争决策也大量数据。正是因为大量的数据和信息积累在日常训练和实际比赛,为系统奠定了坚实的基础。同时,丰富的知识和现场指挥经验的教练提供可靠的支持系统的调整和优化。数据挖掘、在线分析和虚拟技术参与这个系统相对较为成熟的技术,广泛应用于军事、经济、管理、等领域,取得了成功。
4所示。制定测量量表
机器学习算法的性能,评估四个参数通常用于检查模型的可靠性和有效性。这些参数包括整体模型的准确性,特异性为真阴性率、灵敏度为真阳性率,MCC为马修的相关系数。这四个指标的计算公式如下: 在哪里代表真阳性,代表总真阴性,代表了假阳性代表了假阴性。
在机器学习领域,实体,可以独立工作,互动能力通常被定义为一个代理。独立的传统代理商享受资源是有限的,解决问题。当他们遇到复杂和巨大的实际决策问题,他们往往不能有效地解决这些问题。在此基础上,国内外学者提出了一个可替换主体系统。传统的多重代理系统是一种分布式多重代理系统。它可以有效地解决复杂和巨大的实际决策问题,不被传统独立代理。通过多个不同的主机或位置,传统的可替换主体可以通过交互完成更复杂的决策任务与合作独立的传统上运行的可替换主体。
5。实验结果和讨论
在本节中,我们评估和详细讨论我们提出的模型的性能。有很多专业的武术教学、科学研究中的数据,如日常训练数据,数据竞争,教学数据和国内外同行的经验数据。的帮助下深层神经网络(款),这些数据是有效地分类和排序,形成一个数据仓库,和一个人工智能决策辅助系统在现场的武术比赛。
5.1。个人间的分类
模型的建立需要根据教学和训练水平的专家的经验;另一方面,是通过数据挖掘得到的关联关系模型。该模型包括静态模型和动态模型。静态模型主要由球员的个人能力模型和整体模型能力的球员在球场上。动态模型需要现场参数作为输入条件,然后进行实地操作模型如表所示1。例如,双方形成影响模型可以分析当前形成的攻击和防御通过比较球员在球场上的位置和立场相反的人的团队成员。通过输入字段数据实时的玩家,它可以分析哪些位置的团队需要加强,另一边的位置是最弱的。使用人工智能算法(24,25)模型的自学习和自我完善,一方面,可以优化和调整各种模型通过自学能力;另一方面,根据反馈的数据在实际应用程序中,修改关键参数,使模型更加符合实际情况。
5.2。个性运动模式的多个代理
多代理系统中会产生各种不同的决策方案。在决定计划之前,他们必须排名第一;然后,系统中的多个代理之间合作和合作需要获得一个更高的可靠的解决方案。目前,大量的研究优先级决策方案的实施,并取得了丰硕的成果。例如,一些学者们应用科学研究领域的模糊数字的顺序决策方案的优缺点;一些学者结合闵可夫斯基函数和灰色理论和数量提出相应的排名方法。一些学者使用当地的粗糙集决策方案在随机控制模型。然而,上面的方法都有其局限性。排名问题的决策方案的优点和缺点,这个系统还没有从根本上有效地解决在应用过程中,仍有许多问题排名的计划,使评价结果缺乏科学合理性,如表所示2。数据4- - - - - -7显示不同的方法的比较实验结果准确性(ACC),灵敏度(Sn),特异性(Sp),马修的相关系数(MCC)。
同时,从独立传统代理不同,传统的多重代理系统可以完成自适应调整根据环境的变化,这使得它适应性强的特点。传统的多重代理系统是一个网络系统由几个松散耦合的代理。传统的多重代理系统为解决复杂问题提供了一个新的框架和模型。其他系统无法比拟的性能。分布的优点,学习和推理能力,独立、合作、和自组织能力。
6。结论
丰富的数据和多种分析工具,武术比赛的机器learning-assisted系统可以显示武术比赛的实时数据。它可以协助教练当场分析和决策,提出有针对性的培训目标的日常培训,有巨大的应用价值。在此基础上,它还可以构建和建立众多的应用系统。在这个研究中,我们提出了一个特殊的武术专家系统来收集和积累的经验和知识专家、学者在武术提高竞争水平,教学水平和科研水平的中国武术。此外,大规模采用分布式控制在一个可替换主体系统,不影响整个可替换主体的操作。我们的模型有更好的准确性、敏感性,特异性,马修的相关系数(MCC)与现有方案相比,显示了其应用于武术比赛。该模型的结果可以预期有可能更好的灵活性和可伸缩性的武术比赛。
数据可用性
使用的数据来支持本研究的结果包括在本文中。
的利益冲突
作者宣称没有利益冲突。