文摘
体育教育(PE)是一个至关重要的话题在高等培训单独点运动能力增进健康的活动。传统体育机构努力激发毕业生的注意力在体育运动中,在任务责任人率低,和锻炼身体的能力。创新的教学理念和方法,指导技术和程序,指导评估技术在体育都是伴随着发展体育教育研究大厅气候,成功地提高体育教学效果。每个元素的常规生活,尤其是教育,正受到无线互联网的创新。我们将提供额外的帮助学生通过预测学术耐力或辍学。我们可以改善无线平台的潜在效用体育应用程序和改变体育的特点,包括可视化和重复,将其纳入体育教学范围。基于无线网络技术的概念,本文提出了一种改进的节能可扩展路由算法(IEESRA)体育教育的进步。最初,体育数据集使用归一化预处理。方面被利用尺度不变特征变换(筛选)方法。数据传输使用无线网络使用改进节能可扩展路由算法(IEESRA)。 The classification is done using random forest (RF) classifier. The results of the analysis reveal that wireless network-based PE may increase graduates’ strength, speed, and qualities providing a more important reference and reference for enhancing the success of PE. The proposed strategy has the potential to enhance actual attention to PE teaching to 90% with raising students’ engagement to 70%.
1。介绍
正式、科技严重影响运动的所有元素,尤其是在体育训练和教育,由于快速增长的信息技术和教育概念的创建。后,使用经典的视觉效果和媒体在体育训练和教育,信息工具,称为无线网络的一个新的方面是纳入体育教学。像一个新颖的体育教学方法,无线网络不仅提高体育课程的有效性,还提供福利获得沉浸体验(1]。几个城市发展规定从头到尾,在政治层面涉及复杂的决策;然而,教育者应该简单地采用法律。教学技能、教学大纲、教育资源和评估策略都是规定达到预设的结果(2]。
在目前高校课外体育活动的发展,地方和资源的使用不熟练,学生缺陷技术的运动意识,课外体育管理模式不符合实际需要。传统的管理技术是按照不同的运动风格的学生。中间画他们的差距将会越来越明显。高校课外体育活动是草率和缺乏科学。课外体育活动,以及定期的体育锻炼,让学生更好地消化课堂体育知识(3]。无线网络增加了竞技体育的专业水平和竞争能力:广泛使用的“数据驱动的运动训练和体育决策”在工业化国家,它已成为现代激进运动发展的热点。它可以准确地监视每个运动员的身体状况与大数据和聪明的算法使用多个方法积极的运动(4]。40期间和之后的比赛,协助教练做出实时调整他们的技能和策略。实现的目标,提高运动员的竞技水平,发展多42为他们定制的培训模式和高效的竞争方式。促进“更快、更高、更强”的发展竞技体育通过使用智能技术。人工智能在学校运动,有助于实现个性化教学和自适应学习:青少年是成功和推动体育的发展能力的基础。最新的体育指导生态系统是建立在先进的数字技术大数据。
2。文献调查
在论文中,5)提出了虚拟现实方法。这项工作的目标是估计如果一个有效的现实技术根据无线网络可以帮助高校在体育训练。使有效的人类的动画,表示姿态获得提供框架,以及基于位置的插值转变的有效人的重力,使用样条关键帧插值方法。动画可以包含元素包括录像录音,快玩,延迟重播,合成后和停止使用三维模型人体运动信息。同样显示,系统可以显示和播放人体动画和凸轮画面质量,允许一个明显的比较个人的行动。
在文献[6),体育对艺术的影响学生参与体育和健康促进在这个研究调查。突破进来的形式模型和因子分析,研究艺术之间的联系学生的体育参与和健康促进。抬头是增加体育的重要性,提高研究生的年级体育。
在[7),物联网系统由AI-IoTS通过可穿戴技术推广。云平台和3层的人工智能这个AI-IoT组成。学生的AI-IoTS识别所需的信息。使用一个物联网平台,从云收集数据,并使用人工智能处理它。没有一个物理老师的帮助下,学生可以使用可穿戴技术。
在文献[8),数据采集,数据计算和数据显示的三个组件开发模式。每一层的功能解释;之后,一个智能可穿戴系统实施监控学生的状态和反馈系统是帮助指导,最后,创建一个数据集训练和检查计划模型。
在文献[9),其目的是提供一个概述人工智能技术的发展历史和主要内容。然后论文地址中存在的挑战,传统的体育教学技术,从现实的体育学院/大学。其次,为了解决传统体育教学技术的不足,研究提出了基于人工智能的教学方法如虚拟现实、大数据分析,智能识别技术作为创新点。
在文献[10),人工智能研究方法用于教育体育教育。人工智能的应用可能性和发展趋势在现代体育教育技术进一步研究理解优先级和方法的人工智能方法。然后,工作正在研究使用传统的实验模式,与400名学生从10个培训中心和机构服务作为研究对象,全面,系统,和发展角度分析利用决策树算法。详细和深入的调查公共体育教育实践教学元素的影响。
在文献[11),认识到这些想法有抱负的性质,数据显示,每个学生的视力受到了各种生态元素然后个性化。虽然有一些潜在的观点之间的共性,学术子组件和理论结构,开发这些愿景变化在所有学生中,根据研究。
在文献[12),使用积极的视频游戏在教育和培训过程中增加物理特征,认知功能,社交、运动和动力,根据这项研究。已经证明使用exergames激励学生和成年人提高电动机的活动。Exergames专门为学生帮助他们熟悉各种各样的体育活动,包括那些在健身房难以执行。活动视频游戏在教室里的聪明的使用提高了学习过程。现代移动exergames结合大量的运动在一个平台,可以发挥体育设施之外,鼓励更多的人练习。Exergames个性化组件的游戏,如水平的难度和类型的体育活动,并提供一个机制来评估用户的意愿的变化。他们还提高锻炼的动机。
在文献[13),根据恢复数据,确定各观察指标的隶属度和模糊关系矩阵的生成每个评估组件,方法是使用的百分比。关注指数权重的数量可以帮助指导,促进信息化教学发展的路径。
在文献[14),本研究探讨了人工智能的原理及应用PE和提供了一个集中、综合考试的PE方法在人工智能领域的研究者,可以使用定制的体育类,技能分配,计算学习者,学习者咨询techniques-based AI的概念和相关研究领域。
在文献[15),教学内容,技术和工具都必须不断创新。学生的学习兴趣应该不断地开发的体育类,这样他们会激发了参与体育活动。学校的教育课程与教学技术已经明显受到信息技术的进步。由于互联网和4 g移动技术,突破体育和体育在学校发生,以及基于智能视觉技术的智能视觉。在体育和健身运动器材是常用的。
在文献[16),该研究凸显了人工智能技术是广泛应用于体育和检查的具体应用人工智能在运动。在这项工作,人工智能的理解加上物理辅导和指导机构,学术结构建立了指导老师和学生指导,导致指导标准和效率的提高。
在文献[17),研究人员观察了潜在的差异意味着在次级样本皮特和体育科学的学生和评估他们的PCK。PCK的因子结构不变(子)人群,允许有意义的潜在意思比较分数。皮特学生胜过体育科学毕业生的形式”维度,“这是有关在不同阶段的研究中,证实了专业知识的假设。体育活动经验也与更好的成绩在这个个子维度。在“学生”维度,它是相反的方法:皮特和体育科学的学生得分同样研究的不同阶段。
在文献[18],它深入研究作者1专业学习(PL)旅行作为一个深思熟虑的活动成为一个更好的体育教育家。我们的工作也适用于其他教师教育者在各种学科想更反射在职业生涯的进步,即使环境是体育。完成一个兼职研究生证书评估人体运动科学的学习旅程。以下研究问题:(1)战争机器可以更特定于上下文的PL帮助参与创新实践?(2)完成了PL报告有任何不可预见的后果吗?作者1 self-voice提供的日记摘录在我们的研究中,基于autoethnography。分析了这些摘录使用成形社会学和现有文献学术的声音,支持匿名正式学生满意度统计数据从一个本科,两位作者现在教学。
摘要本研究主要探讨基于ai应用领域的现状及相关影响健康产业在纸19]。这项研究调查了各种现实世界的人工智能应用程序的实例在医疗,除了文学的彻底检查。根据研究结果,突出医院目前使用AI-enabled工具协助医务人员病人诊断和治疗各种疾病。此外,人工智能技术在医院护理和管理效率产生影响。在卫生保健提供者热衷于AI,其应用程序提供乌托邦(新的可能性)和反乌托邦(新威胁)(挑战克服)。
在文献[20.),这项工作检查的现象AI的喜剧在大学术指导和学习。它目光学术成绩的提高学校毕业生如何学习的方法以及如何教和发展。最近的技术突破和采用新技术的速度上升高等教育调查预测未来高等教育的角色在一个人工智能的世界是我们大学的织物织成。
在文献[21),本研究看是否基于理论的体育干预旨在教学自我控制会对孩子有好的影响的易怒和破裂性,以及任何在EFs互换,可以对应或匹配的影响。总共116 8 - 9岁儿童参加了2年的干预和完成三个评估:基线,6 -,和18个月跟进quick-temperedness破裂性,以及冷热EFs。干预组的孩子们更少的易怒和破坏性干预后,及其热EF是改善。
在文献[22],本文讨论的元素影响的教学实践和研究主题的体育类的毕业生最初的教师教育,(a)的目标确定感情COVID-19大流行引起了在未来的教师几乎教体育,(b)确定有效的体育教练的优缺点在大流行期间,和(c)确定初始教师教育的一群学生,可以提高他们的教师。图1显示该阶段流。
3所示。提出的方法
本文提出了一种改进的节能可扩展路由算法(IEESRA)体育发展基于无线网络的概念。最初,体育数据集使用归一化预处理。方面被利用尺度不变特征变换(筛选)方法。数据传输使用无线网络使用改进节能可扩展路由算法(IEESRA)。使用随机森林分类(RF)分类器。图1描述了建议的流程,说明了本研究的描述如下。
3.1。体育教育数据集
数据采集过程中是一个关键阶段的智能系统的发展。当前三年学生体育教学数据用于本研究中(23》,其中包括3106年随机选择的例子,3000是有利的样品,其中106是不利的样本数据。
3.2。归一化预处理
接收到的数据是未经加工的可能包括重复的数据包或不完整的数据。消毒和规范化删除重复和冗余项,以及信息不足。样本量减少策略应该从数据集用于教育系统是如此巨大。因为有太多在这个数据集特征,特征提取技术是需要过滤掉所有不相关的24]。在数据集预处理步骤,可能是标准化的。
的 - - - - - -分,这是由公式(1),是在规范化过程的第一步。
在哪里表示平均值数据,表示标准偏差。
Y可以计算 在哪里表示样本平均值,表明样本标准差。
随机抽样组成的
在哪里代表错误识别,代表的依赖。
错误不能相互依赖之后,如下见过。
在哪里表示随机变量。
然后利用标准差标准化的运动变量。
下面的方程被用来计算规模的变化。
在mms代表目前的规模。
在哪里代表期望值,表示随机变量。
在哪里表明cofficient方差。
所有的参数设置为0或1将终止功能扩展方法。这种方法被称为unison-based正常化技术(25]。这将是归一化方程。
数据可以保持标准化之后,范围和不规则的数据可能被保留下来。这个阶段的目的是减少或消除信息延迟。后,规范化数据可以用作馈入后流程。
3.3。部署无线网络
选择无线局域网要求最好的满足您的网络环境的要求和需要,正确解决干预的可能性,以及其他一些互联网速度方面,和实施一个完整的网络安全计划都是无线网络部署过程的一部分。无线网络是由一系列的低成本、低功耗、多功能快速拥有先进的传感器节点。提到的传感器系统构造的认识发生和运输记录信息集群头传感器通过一些啤酒花由于计算能力有限,检测极限,和传播范围的各种传感器(26]。
3.4。特征提取利用尺度不变特征变换(SIFT)
筛选一词最初是用来描述灰度图像中的模式。筛选模式可以为每个像素生成一幅通过比较其值的值的邻居。面具加权矩阵的结果将被用于编码每个阈值步骤(27]。加权值然后添加并显示在结果图像中心对应于输入图像的像素坐标。筛选功能增强,成为一个多分辨率分析工具,允许它与任何圆对称的社区工作 任何尺寸。这一对 表示的位置像素在一个圆的半径 。
通常,筛选P,R一个像素的 表示在一个十进制模式
中部的分数和相邻像素用和 ,分别。最初的筛选不是对图像的转换,而是抵抗周期性灰度变化。
筛选的像素通常表示为情商。10)
在这里,表示中心像素的灰度值数量,和代表的价值中心像素的相邻像素相关。代表的是圆的半径附近,表示采样的最大数量的邻居。代表了指标函数( )。制服、旋转不变性和旋转不变量创建了统一的筛选算法减少筛选直方图的大小(28]。如方程所示,循环空间变换的计算可以用于指示的均匀值筛选模式(11)。
在情商。5),如果 ,筛结构被分配到统一的结构。筛结构,另一方面,被归类为非均匀结构。它被指定为情商。12)旋转不变量的筛选方法。
3.5。改善能源效率可扩展路由算法(IEESRA)
IEESRA算法适用于使用固定节点和基站。集群,以及额外的数据感知和计算关税,是由非移动支持的配置。因此,每个集群都有一个集群头以及一个或多个集群教会(CG),包括成员节点的集合。IEESRA算法包括两部分:一个结构部分和稳态部分。
结构部分:下一轮的集群形成后,簇首选择(CH)。每个CH也选择一个或多个合格的节点作为CG节点。研究生院理事会负责收集和整合数据CHs CMs在发送之前。集群成员(CM)节点使用通道传输信息的传感器各自的重心。每一个重心,在两边,转移中的记录信息对CH TDMA窗口给它。
稳态部分:每个集群成员在其无线电传输组件继电器开关检测到数据中相应的集群会众改善节能可扩展路由方法。因此,节点只会活跃在他们的操作时间,否则睡眠。数据收集、压缩和发送到集群由集群教会领袖。因此,星团内传导机制是多次反射。此外,每个集群头b发送的数据接收。集群头轮结束信号发送到成员一旦BS得到的所有数据。总能量提取每一轮的CH (Z UT)情商所示。13)。
在这里,
的总能量在每一轮的成员节点( ),在两边,可以计算如下:
此外,集群所花费的总能量的聚集在每一轮( )可以使用以下公式计算:
在提高能源效率的可伸缩的路由算法,我们提供以下前题更好的定义节点的行为取决于能源消耗。算法1描述了IEESRA的过程。
|
||||||||||||||||||||||
3.6。随机森林分类算法
在这里,我们使用射频不准确分类的分类器来克服这个问题由于高维度的学习行为数据。学生的内在品质和个人教育需求使用这种策略的分类。首先,我们编译和分析学习者个人差异和选择开发教育需求适合射频标识符。然后,根据专业知识,我们建立了分类器来克服这个问题。射频是一个“未经证实的分类树的剧团”的本质。它执行各种功能的挑战,因为它是对噪声不敏感的数据收集,而不是近似的能力。它结合了许多树,每棵树的预测一直是单独训练。生成树,选择射频产生一个不稳定的样本数据和识别关键的分配顺序。创建后的重要特征,它组装一些树木和计算他们的错误率再决定使用哪个树。选择树分类器推断此订单。(我)每个选项树是基于不同的引导测试随机准备数据(2)少量的n因素的首要因素是选择在每个节点分裂在建立一个决策树,并基于这些最优分割使用的因素
以下是三个最重要的参数在一个射频标识符:(我)与结论树,每个人的见解最后结边远地区树可能是非常温和的。我们的目标是用最少的偏见可能创建树(2)不。实验的树木500棵树经常令人满意的结论(3)不。的预测研究。的预测试着对每个人减少将是一个关键调优变量需要影响不稳定的森林表现如何
一种莫名其妙的,假设的树的构建树和分类器错误尊敬鞋由下面的状态。
和3主要关键变量处理射频标识符如下:(我)与决策树相比,每个人的见解最终连接数量边远地区树可能是非常温和的。我们的目标是用最少的偏见可能创建树(2)数的树木大约500棵树通常是一个不错的选择(3)数的预测参数的数量检查每个分裂似乎是一个关键的调优元素影响不稳定的森林功能的有效程度
树的期望树和分类错误尊敬鞋的条件下一个令人费解的实例。
平时没有的。票的正确退出随机向量超过正常投票支持另一个收益率。能力是一个术语,用来描述做某事的能力。
算法2描绘了射频分类器算法如下,
|
||||||||||||||||||||||||||||||||||||
4所示。结果与讨论
提出系统的性能是研究利用MATLAB仿真平台,进一步评估该技术当前体育教学方法。
4.1。精度
体育教学系统的有效性是衡量这个数字。图2描绘了一个当前分类技术的比较和建议的分类方法的精度。在这项工作中,我们利用近3000项的数据集。从图2,现有的技术(NB,支持向量机,GRNN)已被证明是低于96%的准确率,但我们建议的方法证明了现有方法准确率达到了99%。
4.2。精度
体育教学系统的有效性是衡量这个数字。图3描绘了一个当前分类技术的比较和建议的分类方法的精度。在这项工作中,我们利用3000件。从图3,现有的技术(NB,支持向量机,GRNN)已被证明与精度低于90%,但我们建议的方法证明了精度比现有的方法增加了96.8%。
4.3。回忆
体育教学系统的有效性是衡量这个数字。图4描绘了一个当前分类技术的比较和建议的分类方法的回忆。这里,我们利用3000年的数据。从图4,现有的技术(NB,支持向量机,GRNN)进行召回的90%以下,但我们建议的方法证明了98.3%召回超过现有的方法。
4.4。F1-Score
体育教学系统的有效性是衡量这个数字。图5描绘了一个比较当前分类技术和建议F1-score的分类方法。在这项工作中,我们使用3000年的数据。从图5,现有的技术(NB,支持向量机,GRNN)证明f1-score低于90%,但我们建议的方法是用98.1% f1-score超过现有的方法证明。
4.5。能源效率
体育教学系统的有效性是衡量这个数字。图6描绘了一个比较现有的优化技术和建议优化方法在能源效率方面。该方法得到的能源效率96.9%,匹配与浸出(74.2%)、LEACH-MAC(79.3%),和EERSA(85%)技术。
4.6。学生满意度
评估学生的表现,学生满意度测量相比,现有的方法。图7显示了学生满意度的比较分析。虽然比较现有方法和技术,提出提出IEESRA方法的学生满意度大大提高94.6%。
5。结论
与数字技术的广泛使用在学院/大学教室,传统的体育教学过程不再能满足的挑战教育者的教学和研究生的理解,特别是学习技巧,虽然有显著变化的理解基础,和努力的学生。无线网络,就像巨大的资源整合和储蓄系统,使在线教育工具的创建和使用更方便。典型的课堂教学方法忽视了教育过程的独特特征,需要修订。无线网络的进步具有重大影响的改善体育教学在这个国家,也作出了重大贡献贡献创造一个友好的互动创意的平台和资源开发。传统教育方案仍广泛使用在今天的大学体育,但随着技术的进步,这个系统不再是能够适合学术改革的需要。教学技术和材料不断发展提出IEESRA路由优化,教师和学生之间的联系,也在学术机构之间,已变得更加亲密。体育教师在学术机构必须调查的影响网络在线学习计划,推动数字化学习技术的发展对于体育课,渴望提高体育课程的数字化教学资源质量,和速度的速度在学院/大学体育教学的数字化。我们提出的技术的性能指标也与现有的技术,最后,我们证明了该方法是一种有效的体育教学方法流。
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。