基于卷積神經(jīng)網(wǎng)絡的足球戰(zhàn)術分析及評判

寧夏大學信息工程學院 趙安

本研究通過跨學科研究法、信息研究法，對信息的收集和處理中的卷積神經(jīng)網(wǎng)絡技術及其結構模型進行了分析，運用“固定數(shù)據(jù)+卷積核+實時數(shù)據(jù)”的評判模式，得出人工智能在足球戰(zhàn)術以及球員評判的卷積神經(jīng)網(wǎng)絡模型的結論。研究將產(chǎn)生提高足球比賽的質量，科學評價球員行為的價值。

1 研究背景

2022年2月1日，中國男子足球隊在世界杯預選賽中1∶3敗給實力較弱的越南，同年3月24日，同支隊伍敗于實力弱于自己越南，戰(zhàn)平實力強于自己的沙特，原因是多方面，但戰(zhàn)術細節(jié)是一個不可忽視的重要方面。當下恰逢AI蓬勃發(fā)展，本研究基于卷積神經(jīng)網(wǎng)絡學習，來對球員足球戰(zhàn)術進行分析及評判，研究結果將提高足球比賽的質量，科學評價球員行為。

2 研究意義與價值

雖然足球比賽不同于圍棋是人與人的對抗，但我們可以利用卷積網(wǎng)絡神經(jīng)對球員的配合策略進行訓練。此外好的決策往往比能力更重要，我們可以利用人工智能來決策，經(jīng)過大量的數(shù)字計算后，可以得出很多反常的操作，起到出奇致勝，也可以利用現(xiàn)場實時分析出的數(shù)據(jù)對球員作出的行為進行對比，能明顯地看出球員的行為細節(jié)或者戰(zhàn)術思想失誤。

3 卷積神經(jīng)網(wǎng)絡

3.1 自我學習

如果要將人工智能技術運用到足球領域，可以看作是AI在人類思維模擬的較為復雜的模型。在足球場上由于信息捕獲與儲存較為有限，人工智能的信息處理和自我學習技術就顯得格外重要?？梢哉f，人工智能的自我學習技術是AI運用在足球領域需要攻克的難關之一，在參考了人工智能在虛擬、圍棋、軍事等領域的運用，深度了解卷積神經(jīng)網(wǎng)絡和其數(shù)據(jù)延展原理，并了解了卷積神經(jīng)網(wǎng)絡當前進展，決定把卷積神經(jīng)網(wǎng)絡看作人工智能在足球領域運用的重點。

3.2 輸入層

在足球分析中主要以上帝視角采用二維數(shù)據(jù)，利用視頻將各球員（依據(jù)球號、鞋襪等）轉化為位置信息。相比于其他神經(jīng)網(wǎng)絡，卷積神經(jīng)網(wǎng)絡的特點是它采取了梯度下降算法進行學習，因此卷積神經(jīng)網(wǎng)絡使用時需要將輸入特征進行標準化處理，可以提高卷積神經(jīng)網(wǎng)絡的學習效率和改善卷積神經(jīng)網(wǎng)絡的表現(xiàn)效果[1]。

3.3 隱含層

（1）卷積層。二維卷積可記作為C=x×K，x=現(xiàn)場實時信息，k=球員自身情況，要做到的是對場上每個球員進行卷積，如表例，x1，x2是輸入變量，分別為球員分布（x1為甲方球員分布（進球方），x1’為乙方球員分布）和足球移動方向速度等，y是輸出變量（進球的策略），此外還要作出防守的計算，兩者結合應用，既要讓對方進球少，也要我方進球多，如表1所示以進球為例。

表1 進球數(shù)據(jù)表Tab.1 Goal data sheet

最后得到一個實時的數(shù)據(jù)，并根據(jù)每個球員的自身數(shù)據(jù)，計算得到每種做法的成功率，根據(jù)較大的一個或多個方法選擇與現(xiàn)場的球員一一比對（如表2所示），可以精確確定哪位球員是團隊配合失誤，哪位是自身技術失誤。

（2）卷積核。卷積核是在圖像處理時的權值定義函數(shù)，它選擇給定的輸入圖像，將其中一個小區(qū)域中像素進行加權平均的操作并輸出圖像的所有對應像素，相當于公式C=x×K中的“×”。卷積核工作公式中求和部分等價于求解一次交叉相關。

以進球最終目標設置為卷積核，根據(jù)大量比賽利用無人機實時確定所有場上球員分布、足球位置，不同球員信息（如進球、射門、射正、過人、搶斷、攔截、解圍、被過等）及球場信息（不同球場長、寬以及不同球門長、寬、高等），進行大量深度學習迭代后，可得到更加精準的實驗數(shù)據(jù)，并以此為卷積核進行實驗分析。

（3）卷積參數(shù)。如上文依靠大量比賽數(shù)據(jù)對卷積核交叉相關計算可知，特征圖的尺寸會受卷積層的堆疊影響逐漸減小，為抵消計算中的尺寸收縮，可通過填充來增大尺寸，類似一個可調節(jié)的數(shù)據(jù)庫用于將足球場收集的信息統(tǒng)一化處理，通過交叉相關計算合理有效的擴充信息的細節(jié)點，并經(jīng)過填充操作保證特征圖的獨立性，有利于減少函數(shù)的計算量，合理的運算數(shù)據(jù)和預測提供了較為清晰準確的場上賽況，保證了足球比賽實戰(zhàn)中實時預測的準確高效，起到數(shù)據(jù)格式化和擴充作用，為后續(xù)提供便利資源。

（4）激勵函數(shù)。在神經(jīng)網(wǎng)絡中，隱含層和輸出層節(jié)點的輸入和輸出之間中存在激勵函數(shù)關系[2]：用于接受輸入值，并將輸入值傳遞給下一層，來保證網(wǎng)絡的非線性將神經(jīng)元映射到輸出端使小目標模型表達更具體。在足球學習中，由于影響因素過于復雜，在數(shù)據(jù)處理中線性函數(shù)是很難完成的，只能依靠激勵函數(shù)處理非線性的部分。面對足球場上各種情況，考慮上限的邊界問題，采用激勵函數(shù)處理線性邊界問題，保障對實際判斷與實際的契合性和最終提出戰(zhàn)術的合理性。

（5）池 化 層。池 化 層 包 括Lp池 化[3]隨機/混合池化譜池化。我們將得到的比賽數(shù)據(jù)在此層中進行簡化和分類處理，可以將重要信息如球員和球的位置信息等進行不變性處理，將其他附加信息進行特征降維處理保留重點，逐漸分析得到一個兼顧運行速度和精度的數(shù)據(jù)并將此數(shù)據(jù)傳遞給下一個環(huán)節(jié)。

（6）Inception模塊。為了對每個隊員即其各個對手充分分析，需要記錄大量數(shù)據(jù)。當數(shù)據(jù)信息達到一定值時，特征提取會擴大網(wǎng)絡深度和寬度，導致梯度異常等問題，會影響實戰(zhàn)中戰(zhàn)術分析的準確性，面對這一情況，我們選擇了采用Inception模塊的改進，減低了計算的復雜程度，可搭建稀疏性和高計算性能的網(wǎng)絡結構。這樣一來，在足球場上運用時，能降低人工智能計算的出錯率和延遲性，也能在不影響性能的情況下，采集更多有效信息加入考慮范圍。

3.4 全連接層

全連接的核心操作就是矩陣向量乘積（y=Wx），能通過想卷積操作完成，其對前層是全連接的全連接層可以轉變?yōu)榫矸e核為1×1的卷積。全連接層是對足球場上數(shù)據(jù)信息的特征加權，可作為在以個人球員為核心的運算中將視野模糊化，實現(xiàn)對每個球員的分析局部信息專攻，最終再整合數(shù)據(jù)，實現(xiàn)變化參數(shù)的減少，路線計算的簡化。

3.5 輸出層

在輸出層中，數(shù)據(jù)發(fā)掘起到很重要的作用，可以通過把數(shù)據(jù)庫中的數(shù)據(jù)紀錄映射到給定類別中的某一個的方式，可用于數(shù)據(jù)預測。輸出層可以簡單看作是數(shù)據(jù)的運用，一步預測的運算過程，合理運用函數(shù)加工已有數(shù)據(jù)，為足球的位置的預測計算和對球員走位等信息的計算安排的實現(xiàn)提供了數(shù)據(jù)和理論的支持。

3.6 卷積神經(jīng)網(wǎng)絡程序

目前卷積神經(jīng)網(wǎng)絡程序主要包括DeepLearnToolbox程序、Caffe程序。

（1）DeepLearnToolbox程序側重演算，我們先用cnntrain.m進行樣本訓練，得出攻防各自對應的結果，再用cnntest.m判斷確定攻防戰(zhàn)略。有些情況可通過隊員訓練結果中概率較大的行為計算概率，且進球方案優(yōu)先。在訓練過程中cnntrain.m代碼能做到盡可能避免窮舉法重復輸入數(shù)據(jù)消耗時間和存在的遺漏可能，采用了數(shù)據(jù)的隨機排列和迭代法羅列的方案。通過AI技術計算各種戰(zhàn)術方案，根據(jù)實際情況球員某套攻防體系訓練多少甚至是個人習慣的成功率多少來影響實時概率大小。在足球場上當?shù)玫礁鞣N戰(zhàn)術時cnntest.m可以用于找尋輸出結果，通過前面cnntrain.m計算出的計算值，找尋對應的情況輸出，分析計算得出最優(yōu)戰(zhàn)術的失誤率，檢測誤差用于復盤。在考慮傳統(tǒng)結合的情況下，足夠的歷史數(shù)據(jù)支撐還能使決策達到更優(yōu)解,類似利用對方劣勢或己方優(yōu)勢，達到降低失誤率，如利用假動作誘導對方某隊員失誤打出優(yōu)勢。這樣一來，無論是訓練還是實戰(zhàn)中，人工智能在足球場上的計算方面能保證數(shù)據(jù)利用率盡可能提高，在數(shù)據(jù)有限的情況下能保證最優(yōu)解。

（2）Caffe程序是目前卷積神經(jīng)網(wǎng)絡技術應用的另一例子，其構建的卷積神經(jīng)網(wǎng)絡結構更復雜，各項數(shù)據(jù)的缺省值也較大。深度學習足球中，由于考慮情況和數(shù)據(jù)較多，涉及計算的復雜程度也較大，在構建卷積神經(jīng)網(wǎng)絡的時候，Caffe程序所使用的lent_train_test.prototxt函數(shù)所構造的結構更加全面，適與足球方面配度較高，而Xavier算法和ReLU函數(shù)的配合使用就是最大亮點。ReLU函數(shù)具有高效率的簡化計算以及利于實現(xiàn)梯度下降和反向傳播，在仿生物學原理方面是邏輯函數(shù)中最接近人腦思維的。其存在的數(shù)據(jù)過大時互相影響產(chǎn)生額外誤差的缺點能利用Xavier初始化向前傳播，通過抽象化的特征規(guī)律找尋和保留，自動確定初始權重的范圍揚長避短。利用其仿生學的優(yōu)勢，人工智能可以更貼合人腦的思維，我們就可以考慮思維漏洞產(chǎn)生的非公平比賽，如：當裁判離得遠時，對球員假摔、惡意攻擊等行為看不清，在此情況下進行的概率計算并等同于計算方案來取得優(yōu)勢。

4 結構模型優(yōu)化及比賽分析

在該設想中，梯度下降法能處理非常復雜的非線性函數(shù)。以一個球場上帶球準備射門的球員為例，以他位置為基準，找到進球目標位置，然后朝球門位移一定距離，再重復操作，直到達成目標。我們可以重復采取局部目標的最佳值，利用分部運算及時修正之前可能存在的問題，達到對足球場局勢的進一步掌控。反向傳播算法主要包括三個步驟，通過多次迭代完成，直到誤差值在允許范圍內(nèi)后輸出。在足球的深度學習的設想模型中，公共子表達式的減少能使數(shù)據(jù)量簡化，利于ReLU函數(shù)運算增加準確度。在這種受細節(jié)影響的比賽中，全面的考慮、信息處理的優(yōu)化、運算誤差的減小等因素都不可忽視，采用的反向傳播是目前頂尖的誤差修正型學習算法，如表2所示。

表2 X場比賽各球員失誤統(tǒng)計表Tab.2 Player error statistics for X games

根據(jù)實際情況來對球員進行訓練以及判斷球員的出錯次數(shù)，將與正確決策偏離十個百分點的行為視作失誤，根據(jù)x場比賽我們不妨對球員失誤進行統(tǒng)計。

通過表2，能清楚的知道各個球員的失誤情況看出各個成員水平，可對球員進行弱項分析，明確各球員責任，也能在人員安排上盡早發(fā)現(xiàn)狀態(tài)不好的球員，及時替換。

5 結語

本文主要利用卷積神經(jīng)網(wǎng)絡設計出足球戰(zhàn)術分析的淺層模型——對于不同戰(zhàn)術取勝的概率計算、以及球員實時的出錯分析。首先提出卷積神經(jīng)網(wǎng)絡對足球研究的優(yōu)點，再對卷積神經(jīng)的各個部分進行詳細研究及程序的運用，最后根據(jù)實驗數(shù)據(jù)提出優(yōu)化方法，并對結果進行實驗應用。

引用

[1] 陳盈祾,潘玉霞.基于卷積神經(jīng)網(wǎng)絡的古文字識別系統(tǒng)設計與實現(xiàn)[J].電腦知識與技術,2021,17(10):207-208.

[2] Goodfellow I.Bengio Y.Courville A.Deep Learning[M].Cambridge:MIT Press,2016.

[3] Joan Bruna,Arthur Szlam,Yann LeCun.Signal Recovery from Pooling Representations[C]//In Proceedings of the International Conference on Machine Learning,2014.

[4] YU D J,WANG H L,CHEN P Q.Mixed Pooling for Convolutional Neural Networks[C]//In International Conference on Rough Sets and Knowledge Technology,2014:364-375.

[5] 李玉鑑,張婷.深度學習導論及案例分析[M].北京:機械工業(yè)出版社,2017.