體育強(qiáng)國(guó)進(jìn)程中應(yīng)用數(shù)學(xué)模型提高四川省青少年身體素質(zhì)研究

金 萍，龍 駒

?

體育強(qiáng)國(guó)進(jìn)程中應(yīng)用數(shù)學(xué)模型提高四川省青少年身體素質(zhì)研究

金 萍1，龍 駒2

針對(duì)現(xiàn)有大學(xué)生身體素質(zhì)測(cè)試方法的不足，提出基于細(xì)菌覓食（BFO）算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)的大學(xué)生身體素質(zhì)測(cè)試方法，并結(jié)合360名18～21歲男女大學(xué)生的5項(xiàng)測(cè)試指標(biāo)及綜合評(píng)價(jià)成績(jī)建立大學(xué)生身體素質(zhì)的BFO算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)測(cè)試模型。將5項(xiàng)測(cè)試指標(biāo)值經(jīng)過(guò)歸一化后作為網(wǎng)絡(luò)輸入，大學(xué)生身體素質(zhì)綜合評(píng)定成績(jī)作為網(wǎng)絡(luò)輸出，利用訓(xùn)練好的網(wǎng)絡(luò)模型進(jìn)行大學(xué)生身體素質(zhì)綜合評(píng)定成績(jī)預(yù)測(cè)，經(jīng)過(guò)MATLAB仿真實(shí)驗(yàn)驗(yàn)證，取得了較好的預(yù)測(cè)結(jié)果，為大學(xué)生身體素質(zhì)的評(píng)估提供了更為科學(xué)的指導(dǎo)。

大學(xué)生；身體素質(zhì);BFO算法;BP神經(jīng)網(wǎng)絡(luò)

國(guó)務(wù)院副總理劉延?xùn)|2014年7月28日在全國(guó)學(xué)校體育工作座談會(huì)上強(qiáng)調(diào)，健康是青少年成長(zhǎng)成才和幸福生活的根基，關(guān)系國(guó)家民族未來(lái)和億萬(wàn)家庭福祉，各級(jí)黨委政府要認(rèn)真貫徹習(xí)近平總書(shū)記關(guān)于增強(qiáng)青少年體質(zhì)的重要論述精神，樹(shù)立“健康第一”的理念，組織引導(dǎo)學(xué)校、社會(huì)和家庭為青少年強(qiáng)身健體創(chuàng)造良好條件，為實(shí)現(xiàn)中國(guó)夢(mèng)提供人才保障。2004年8月31日教育部執(zhí)行新規(guī)定大學(xué)生體測(cè)不合格不能畢業(yè)。國(guó)家體質(zhì)健康網(wǎng)最新的統(tǒng)計(jì)數(shù)據(jù)顯示，我國(guó)大學(xué)生身體素質(zhì)水平呈下降趨勢(shì)，素質(zhì)指標(biāo)發(fā)育水平降多升少，大學(xué)生體質(zhì)亟待改善[1]。大學(xué)生身體素質(zhì)與很多因素有關(guān)，包括人體形態(tài)、生理機(jī)能、心理狀態(tài)、外界環(huán)境等[2]，其身體素質(zhì)的綜合評(píng)定成績(jī)與其評(píng)價(jià)指標(biāo)之間存在復(fù)雜的非線性關(guān)系。如何簡(jiǎn)潔有效的對(duì)它進(jìn)行測(cè)試與評(píng)估，為體育強(qiáng)國(guó)進(jìn)程中的青少年大學(xué)生提供一個(gè)更科學(xué)的運(yùn)動(dòng)健身指導(dǎo)方案具有重要的意義。數(shù)學(xué)模型智能算法測(cè)評(píng)系統(tǒng)的出現(xiàn)為解決這一問(wèn)題提供了有力的支持，但是近年對(duì)智能算法測(cè)評(píng)系統(tǒng)的研究主要集中在對(duì)職業(yè)運(yùn)動(dòng)員單項(xiàng)或者綜合運(yùn)動(dòng)能力的評(píng)測(cè)上[3] [4]，而單獨(dú)評(píng)測(cè)青少年大學(xué)生身體素質(zhì)的研究稍顯不足。

目前，對(duì)大學(xué)生身體素質(zhì)進(jìn)行智能測(cè)評(píng)的方法主要有以下3種[5] [6] [7]：

（1）使用數(shù)理統(tǒng)計(jì)理論中數(shù)據(jù)標(biāo)準(zhǔn)化的方法建立大學(xué)生身體素質(zhì)評(píng)價(jià)的標(biāo)準(zhǔn)化數(shù)學(xué)模型，構(gòu)造了單項(xiàng)和多項(xiàng)體標(biāo)成績(jī)的綜合評(píng)價(jià)方法。該方法具有操作簡(jiǎn)潔，有一定動(dòng)態(tài)可比性的優(yōu)點(diǎn)。

（2）在不改變?cè)虒W(xué)內(nèi)容的前提下，使用模糊數(shù)學(xué)的方法科學(xué)編排和分配每一教學(xué)項(xiàng)目的訓(xùn)練時(shí)間，最終達(dá)到提高大學(xué)生身體素質(zhì)的目的。該方法具有能科學(xué)分配各項(xiàng)教學(xué)方法練習(xí)時(shí)間的優(yōu)點(diǎn)。

（3）基于RBF神經(jīng)網(wǎng)絡(luò)算法建立了大學(xué)生身體素質(zhì)評(píng)估的訓(xùn)練模型，該模型如實(shí)地映射出大學(xué)生單項(xiàng)體標(biāo)成績(jī)與最終評(píng)估成績(jī)的相關(guān)關(guān)系。RBF神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)函數(shù)逼近能力的優(yōu)點(diǎn)。

然而當(dāng)前已有測(cè)評(píng)方法主要存在如下一些問(wèn)題：

（1）數(shù)理統(tǒng)計(jì)理論中數(shù)據(jù)標(biāo)準(zhǔn)化的方法只能計(jì)算出體標(biāo)平均成績(jī)和方差，不能對(duì)綜合測(cè)評(píng)成績(jī)進(jìn)行預(yù)測(cè)。

（2）模糊數(shù)學(xué)法目前主要應(yīng)用在球類(lèi)教學(xué)項(xiàng)目中，還不能有效評(píng)測(cè)大學(xué)生的單項(xiàng)體標(biāo)成績(jī)與最終評(píng)估成績(jī)的相關(guān)關(guān)系。

（3）RBF神經(jīng)網(wǎng)絡(luò)屬于局部映射網(wǎng)絡(luò)，其作用函數(shù)只具有局部化接受域，對(duì)未知樣本的預(yù)測(cè)能力不如BP網(wǎng)絡(luò)，同時(shí)該方法目前只研究了對(duì)男子大學(xué)生的適用性。

隨著智能測(cè)評(píng)技術(shù)的快速發(fā)展，智能測(cè)評(píng)算法處理能力不斷加強(qiáng)，同時(shí)考慮到身體素質(zhì)測(cè)評(píng)技術(shù)也已經(jīng)由專業(yè)運(yùn)動(dòng)員領(lǐng)域迅速擴(kuò)展到青少年大學(xué)生領(lǐng)域。為此，我們針對(duì)現(xiàn)有測(cè)評(píng)技術(shù)的不足，將BFO算法[8]有機(jī)融合進(jìn)BP神經(jīng)網(wǎng)絡(luò)，將其整合設(shè)計(jì)為一個(gè)完整的大學(xué)生身體素質(zhì)智能測(cè)評(píng)模型，該模型具有如下創(chuàng)新點(diǎn)：

（1）將具有較強(qiáng)并行搜索能力，較快收斂到全局最優(yōu)解的BFO算法應(yīng)用于優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，強(qiáng)化了BP網(wǎng)絡(luò)的范化（預(yù)測(cè)）能力，能更準(zhǔn)確的預(yù)測(cè)每個(gè)青少年大學(xué)生的身體素質(zhì)綜合評(píng)分。

（2）BFO算法與BP算法有機(jī)融合成了一種混合智能算法，該方法兼具這兩種方法各自的優(yōu)點(diǎn)，在隱含層神經(jīng)元個(gè)數(shù)保證具有足夠數(shù)量的前提下，可以任意精度逼近任何單值連續(xù)函數(shù)。

（3）模型可以同時(shí)應(yīng)用于男女大學(xué)生的評(píng)測(cè)，操作簡(jiǎn)單，只需要輸入某大學(xué)生的5項(xiàng)體標(biāo)數(shù)據(jù)，就可以很快預(yù)測(cè)出該學(xué)生身體素質(zhì)的綜合評(píng)分。

1 研究對(duì)象與方法

1.1 研究對(duì)象

隨機(jī)抽取西華大學(xué)、四川大學(xué)、四川師范大學(xué)、西南財(cái)經(jīng)大學(xué)2010-2013級(jí)360名（每個(gè)年級(jí)各抽取90名）大學(xué)生，其中男女生各180人，年齡18-22歲的5項(xiàng)體標(biāo)測(cè)試數(shù)據(jù)作為研究四川青少年大學(xué)生身體素質(zhì)樣本。

1.2 研究方法-數(shù)學(xué)模型法

1.2.1 數(shù)學(xué)描述 對(duì)大學(xué)生身體素質(zhì)的測(cè)試需要考慮很多相關(guān)因素，依據(jù)《大學(xué)生體育合格標(biāo)準(zhǔn)》的要求，選出了大學(xué)生身體素質(zhì)評(píng)估的5項(xiàng)指標(biāo)：身高a、體重b、肺活量c、引體向上d、立定跳遠(yuǎn)e作為測(cè)試依據(jù)，最終評(píng)估成績(jī)y與上述5個(gè)指標(biāo)之間存在復(fù)雜的非線性函數(shù)關(guān)系，其定性數(shù)學(xué)描述如公式（1）所示。

1.2.2 基于BFO算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)建立測(cè)試模型

（1）神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)創(chuàng)建

選用BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)：BP神經(jīng)網(wǎng)絡(luò)是一種單向傳播的多層前向網(wǎng)絡(luò)，包括輸入層、隱含層和輸出層，各層之間實(shí)現(xiàn)全連接，而每層神經(jīng)元之間無(wú)連接。創(chuàng)建步驟如下：

大學(xué)生身體素質(zhì)的測(cè)試中，其測(cè)試指標(biāo)主要包括身高、體重、肺活量、引體向上、立定跳遠(yuǎn)5項(xiàng)，所以網(wǎng)絡(luò)的輸入層神經(jīng)元個(gè)數(shù)取5個(gè)。

Step2：確定隱含層層數(shù)

Kosmogorov定理證明：在結(jié)構(gòu)和權(quán)值選擇合理的條件下，可以用3層BP 神經(jīng)網(wǎng)絡(luò)來(lái)逼近任意的連續(xù)函數(shù)[9]，所以隱含層選擇1層。

大學(xué)生身體素質(zhì)的最終評(píng)價(jià)依據(jù)主要是身體素質(zhì)的最終評(píng)估成績(jī)，所以輸出層神經(jīng)元個(gè)數(shù)取1。

Step5：確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為：5-11-1。

（2）BFO算法優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值

BFO算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)是用BFO算法來(lái)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，使優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)能夠更好的進(jìn)行樣本預(yù)測(cè)。其優(yōu)化過(guò)程包括3個(gè)要素：種群初始化、目標(biāo)函數(shù)設(shè)計(jì)、進(jìn)化算子（趨化、繁殖、遷徙算子）設(shè)計(jì)。

種群初始化[11]

采用二進(jìn)制編碼方案，每個(gè)細(xì)菌個(gè)體均為一個(gè)二進(jìn)制代碼串，由輸入層與隱含層連接權(quán)值、隱含層閾值、隱含層與輸出層連接權(quán)值、輸出層閾值4個(gè)部分組成，每個(gè)權(quán)值和閾值都使用N位的二進(jìn)制編碼，將所有權(quán)值和閾值的編碼連接起來(lái)即為一個(gè)個(gè)體的二進(jìn)制代碼串。本文的BP網(wǎng)絡(luò)結(jié)構(gòu)為：5-11-1，其權(quán)值和閾值的個(gè)數(shù)如表1所示。

表1 BP網(wǎng)絡(luò)權(quán)值和閾值個(gè)數(shù)

取所有權(quán)值和閾值的編碼都是10位二進(jìn)制數(shù)，根據(jù)表1可知一個(gè)個(gè)體的二進(jìn)制編碼長(zhǎng)度為：（55+11+11+1）X 10=780位，其位數(shù)分配如下表2所示。

表2 個(gè)體二進(jìn)制編碼位數(shù)分配表

目標(biāo)函數(shù)設(shè)計(jì)

最終評(píng)估成績(jī)的預(yù)測(cè)值與期望值之間的誤差越小越好，選擇預(yù)測(cè)樣本的預(yù)測(cè)值與期望值的誤差矩陣的范數(shù)作為目標(biāo)函數(shù)的輸出。

進(jìn)化算子設(shè)計(jì)[12]

BFO算法包括趨化、復(fù)制和驅(qū)散3個(gè)步驟。

Step1：細(xì)菌向任意方向按照單位步長(zhǎng)進(jìn)行翻轉(zhuǎn)，完成一次翻轉(zhuǎn)后，馬上計(jì)算適應(yīng)度函數(shù)值，若計(jì)算值得到改善，細(xì)菌將沿同一方向繼續(xù)翻轉(zhuǎn)若干步，直至計(jì)算值不再改善，或達(dá)到預(yù)定的移動(dòng)步數(shù)臨界值。

Step2：一旦生命周期結(jié)束，即達(dá)到臨界趨化次數(shù)，細(xì)菌將進(jìn)行繁殖。細(xì)菌的繁殖過(guò)程遵循自然界“優(yōu)勝劣汰，適者生存”原則。以趨化過(guò)程中各細(xì)菌適應(yīng)值累加和為標(biāo)準(zhǔn)，較差的半數(shù)細(xì)菌死亡，較好的半數(shù)細(xì)菌分裂成兩個(gè)子細(xì)菌。子細(xì)菌將繼承母細(xì)菌生物特性，具有與母細(xì)菌相同的位置及步長(zhǎng)。為簡(jiǎn)化計(jì)算，可以規(guī)定復(fù)制過(guò)程中細(xì)菌總數(shù)保持不變。

Step3：趨化過(guò)程可確保細(xì)菌的局部搜索能力，復(fù)制過(guò)程能加快細(xì)菌的搜索速度，但對(duì)于復(fù)雜的優(yōu)化問(wèn)題，趨化和復(fù)制無(wú)法避免細(xì)菌陷入局部極小現(xiàn)象發(fā)生。BFO引入驅(qū)散過(guò)程以加強(qiáng)算法全局尋優(yōu)能力。細(xì)菌在完成一定次數(shù)的復(fù)制后，將以一定概率被驅(qū)散到搜索空間中任意位置。

（3）神經(jīng)網(wǎng)絡(luò)訓(xùn)練[13]

網(wǎng)絡(luò)訓(xùn)練是一個(gè)不斷修正權(quán)值和閾值的過(guò)程，通過(guò)訓(xùn)練，可使得網(wǎng)絡(luò)的輸出誤差越來(lái)越小，最終達(dá)到設(shè)計(jì)精度的要求。因?yàn)锽P 算法存在收斂速度慢、易陷入局部極小點(diǎn)、數(shù)值穩(wěn)定性差、學(xué)習(xí)率、動(dòng)量項(xiàng)系數(shù)和初始權(quán)值等參數(shù)難以調(diào)整等缺點(diǎn)，而非線性神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法LM可以有效地克服BP算法所存在的這些缺陷，所以本文采用LM算法對(duì)BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練。其訓(xùn)練步驟如下：

Step2：計(jì)算出迭代到第次的權(quán)值和閾值所組成的向量及對(duì)應(yīng)的網(wǎng)絡(luò)輸出和誤差指標(biāo)函數(shù)；

（3）

Step3：計(jì)算出迭代到第次的權(quán)值和閾值所組成的向量對(duì)應(yīng)的Jacobian矩陣；

（5）

Step7：結(jié)束算法。

2 實(shí)驗(yàn)結(jié)果

2.1 實(shí)驗(yàn)?zāi)康?/p>

建立青少年大學(xué)生身體素質(zhì)的測(cè)試評(píng)估數(shù)學(xué)模型，為科學(xué)評(píng)價(jià)提高四川青少年大學(xué)生的身體素質(zhì)提供一簡(jiǎn)潔可靠的平臺(tái)。

2.2 實(shí)驗(yàn)步驟[14]

Step1：產(chǎn)生BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集和測(cè)試集

320個(gè)樣本（男160個(gè)樣本，女160個(gè)樣本）作為訓(xùn)練集，40個(gè)樣本（男20個(gè)樣本，女20個(gè)樣本）作為測(cè)試集。

Step2： BFO算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值

按照1.2.2小節(jié)的敘述用BFO算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值。

Step3：訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)

在網(wǎng)絡(luò)結(jié)構(gòu)確定后，設(shè)置好訓(xùn)練次數(shù)、學(xué)習(xí)率、計(jì)算精度等訓(xùn)練參數(shù)，就可以對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練了。

Step4：對(duì)訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真測(cè)試

測(cè)試模型建立后，將男女大學(xué)生各20個(gè)測(cè)試樣本中的5項(xiàng)體標(biāo)數(shù)據(jù)作為輸入變量送入測(cè)試模型，模型輸出就是大學(xué)生身體素質(zhì)綜合評(píng)分的預(yù)測(cè)值。

Step5：性能評(píng)估

為描述對(duì)比效果簡(jiǎn)單直觀起見(jiàn)，用實(shí)測(cè)值與預(yù)測(cè)值的絕對(duì)誤差數(shù)據(jù)作為性能評(píng)估依據(jù)。

2.3 實(shí)驗(yàn)結(jié)果

基于BFO算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)對(duì)180個(gè)男學(xué)生樣本和180個(gè)女學(xué)生樣本進(jìn)行1000次的反復(fù)訓(xùn)練與仿真測(cè)試，得到男女學(xué)生的測(cè)試樣本實(shí)測(cè)分?jǐn)?shù)值與預(yù)測(cè)分?jǐn)?shù)值的對(duì)照數(shù)據(jù)分別如表3和表4所示。

表3 男生實(shí)預(yù)測(cè)分?jǐn)?shù)對(duì)比表

表4 女生實(shí)預(yù)測(cè)分?jǐn)?shù)對(duì)比表

3 結(jié) 論

本文提出了一種BFO算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的大學(xué)生身體素質(zhì)測(cè)試數(shù)學(xué)模型，經(jīng)過(guò)MATLAB仿真實(shí)驗(yàn)證實(shí)了該測(cè)試模型的正確性與可行性，并得出如下結(jié)論。

（1）對(duì)于已經(jīng)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)測(cè)試模型，只需要輸入某大學(xué)生的5項(xiàng)體標(biāo)數(shù)據(jù)，就可以預(yù)測(cè)出該學(xué)生身體素質(zhì)的綜合評(píng)分，其預(yù)測(cè)分?jǐn)?shù)值與實(shí)際分?jǐn)?shù)值的絕對(duì)誤差小于1分，滿足精度要求。

（2）BFO數(shù)學(xué)模型算法是一種并行搜索算法，收斂速度快，容易收斂到全局最優(yōu)解；BP神經(jīng)網(wǎng)絡(luò)算法是前向神經(jīng)網(wǎng)絡(luò)中一種比較成熟穩(wěn)定的算法；用BFO算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值后，BP網(wǎng)絡(luò)的訓(xùn)練和預(yù)測(cè)樣本的效果都得到了比較大的改善，測(cè)試樣本的預(yù)測(cè)誤差大大縮小，精度進(jìn)一步提高。

（3）使用數(shù)學(xué)模型對(duì)體育強(qiáng)國(guó)進(jìn)程中的四川青少年大學(xué)生身體素質(zhì)進(jìn)行測(cè)評(píng)研究，可以克服現(xiàn)有測(cè)評(píng)方法存在的主觀性、隨意性的不足，確保了每個(gè)學(xué)生測(cè)評(píng)結(jié)果的客觀性、公平性。為進(jìn)一步增強(qiáng)大學(xué)體育課的教學(xué)針對(duì)性，提高大學(xué)生身體素質(zhì)提供了一種科學(xué)的指導(dǎo)方法。

參考文獻(xiàn)：

[1] 中國(guó)學(xué)生體質(zhì)健康網(wǎng)http://www.csh.edu.cn.

[2] FOREMAN K.The use of talent-predictive factors in the selec-tion of track and field athletes[J].In Gambetta V （Ed.），TheAthletic Congress' s Track and Field Coaching Manual，Cham-paign，IL:Leisure Press，1989:31~36.

[3] 陳海英，郭 巧，徐 力. 基于神經(jīng)網(wǎng)絡(luò)的人體100m跑運(yùn)動(dòng)能力綜合評(píng)價(jià)[J].中國(guó)體育科技，2003，39（2）：1~3.

[4] 田野，陸一帆，趙修杰，等.成年人綜合運(yùn)動(dòng)能力評(píng)價(jià)系統(tǒng)的研究與建立[J].中國(guó)體育科技，2010，46（2）：3~10.

[5] 韓 秋.大學(xué)生身體素質(zhì)評(píng)價(jià)的標(biāo)準(zhǔn)化數(shù)學(xué)模型[J].中國(guó)體育科技，2006，42（2）：46~47.

[6] 杜兆斌，王振濤，魏 冰，等.模糊數(shù)學(xué)在普通高校球類(lèi)教學(xué)中的應(yīng)用研究—專項(xiàng)體育課教學(xué)與提高身體素質(zhì)接軌[J].北京體育大學(xué)學(xué)報(bào)，2012，35（1）：99~102.

[7] 段岳明.基于神經(jīng)網(wǎng)絡(luò)的大學(xué)生身體素質(zhì)測(cè)試評(píng)估模型研究[J]武漢體育學(xué)院學(xué)報(bào)，2005，39（8）：77~79.

[8] PASSINOKM.Bacterialforraging optimization[J].International Journal of Swarm Intelligence Research，2010，1（1）:1~16.

[9] CHURING Y.Backpropagation，Theory，Architecture and Appli-cations[M].New York:Lawrence Erbaum Publishers, 1995: 55~73.

[10] 李士勇.模糊控制·神經(jīng)控制和智能控制論[M].哈爾濱：哈爾濱工業(yè)大學(xué)出版社，1998：227~273.

[11] 周雅蘭．細(xì)菌覓食優(yōu)化算法的研究與應(yīng)用［Ｊ］．計(jì)算機(jī)工程與應(yīng)用，2010，46（20）：16~21.

[12] http：//baike.baidu.com/view/5072478.htm?fr=aladdin.

[13] 師 黎，陳鐵軍，李曉媛，等.智能控制理論及應(yīng)用[M].北京：清華大學(xué)出版社，2009：119~130.

[14] 史 峰，王 輝，郁 磊，等.智能算法30個(gè)案例分析[M].北京：北京航空航天大學(xué)出版社，2011：27~37，237~246.

The Study on Improving Sichuan Province Teenagers' Physical Conditions by Applying Mathematical Model in the Course of Enhancing a Sporting Power

JIN Ping1, LONG Ju2

In view of the current college students' physical quality test method is insufficient, based on bacteria foraging （BFO） algorithm was used to optimize the neural network of college students' physical quality test method, and combining with 360 Entries 18 - 21 year old male and female undergraduates five test index and comprehensive evaluation results to establish the students' physical quality BFO algorithm to optimize the neural network model test. Will the five test index after after normalization as network input, college students' physical quality comprehensive evaluation scores as network output, the use of the trained network model to college students' physical quality comprehensive evaluation results predict, through MATLAB simulation verification, achieved good prediction results, for college students' physical quality assessment provides more scientific guidance.

College students; Physical quality; BFO algorithms; The BP neural network

G812.5

A

2014-09-26

四川高校人文社會(huì)科學(xué)重點(diǎn)研究基地科研項(xiàng)目，項(xiàng)目編號(hào)：TY2014306。本文得到西華大學(xué)學(xué)科建設(shè)專項(xiàng)經(jīng)費(fèi)資助，項(xiàng)目編號(hào)：XED0904-09-1。

1.西華大學(xué)體育學(xué)院，四川成都，610039；

2.西華大學(xué)電氣信息學(xué)院，四川成都，610039。

1.Institute of P.E., Xihua University, Sichuan Chengdu, 610039, China;

2. Institute of Electrical Information, Xihua University, Sichuan Chengdu, 610039, China.

1007―6891（2015）01―0134―04

10.13932/j.cnki.sctykx.2015.01.30