基于聚類分析與神經(jīng)網(wǎng)絡(luò)的體育產(chǎn)業(yè)創(chuàng)新發(fā)展策略研究

摘要：體育產(chǎn)業(yè)關(guān)聯(lián)度高、產(chǎn)值影響力大，促進體育產(chǎn)業(yè)的發(fā)展對帶動區(qū)域經(jīng)濟發(fā)展具有至關(guān)重要的作用。技術(shù)能力、轉(zhuǎn)化能力、經(jīng)濟支撐是體育產(chǎn)業(yè)創(chuàng)新能力的構(gòu)成要素，通過K均值算法對體育產(chǎn)業(yè)創(chuàng)新發(fā)展指標(biāo)進行聚類，同時采用GA算法對BP網(wǎng)絡(luò)的初始閾值與權(quán)值進行優(yōu)化，得到用于體育產(chǎn)業(yè)創(chuàng)新能力預(yù)測的K均值-GA-BP神經(jīng)網(wǎng)絡(luò)模型。將該模型和BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型、GA-BP網(wǎng)絡(luò)預(yù)測模型、K均值-BP網(wǎng)絡(luò)模型進行對比，結(jié)果表明K均值-GA-BP神經(jīng)網(wǎng)絡(luò)模型對體育產(chǎn)業(yè)創(chuàng)新發(fā)展能力的預(yù)測準(zhǔn)確率最高，算法運行效率也比較高，這對科學(xué)制定體育產(chǎn)業(yè)創(chuàng)新發(fā)展策略具有一定的參考價值。

關(guān)鍵詞：K均值聚類算法" GA-BP神經(jīng)網(wǎng)絡(luò)" 體育產(chǎn)業(yè)創(chuàng)新發(fā)展

引言

創(chuàng)新是發(fā)展的動力源泉，是引領(lǐng)經(jīng)濟發(fā)展新常態(tài)的核心。體育產(chǎn)業(yè)屬于新興產(chǎn)業(yè)，發(fā)展時間比較短，同時發(fā)展規(guī)模也比較小，在發(fā)展的過程中存在動力不足、質(zhì)量不高、效益不佳等問題。有效地促進體育產(chǎn)業(yè)的健康、可持續(xù)發(fā)展，必須對體育產(chǎn)業(yè)的發(fā)展模式實施改革創(chuàng)新，探索體育產(chǎn)業(yè)發(fā)展新的增長點。張英建對體育產(chǎn)業(yè)創(chuàng)新驅(qū)動型發(fā)展機制進行研究，指出要培養(yǎng)創(chuàng)新型人才，營造良好營商環(huán)境，加強知識產(chǎn)權(quán)保護，這樣才能突破當(dāng)前體育產(chǎn)業(yè)創(chuàng)新發(fā)展的瓶頸，使得體育產(chǎn)業(yè)發(fā)展更具生命力。劉兵指出當(dāng)前體育產(chǎn)業(yè)發(fā)展存在政策引導(dǎo)不夠細(xì)化、產(chǎn)業(yè)內(nèi)容不均衡、產(chǎn)業(yè)升級偏差等問題，同時給出了體育產(chǎn)業(yè)升級的建議路徑。舒成利對體育產(chǎn)業(yè)創(chuàng)新能力和發(fā)展策略進行研究，指出研發(fā)投入較低、科技人才匱乏、科研成果偏少、創(chuàng)新機制不健全是創(chuàng)新力低下的突出體現(xiàn)，要持續(xù)提升體育產(chǎn)業(yè)創(chuàng)新能力，才能更好地促進體育產(chǎn)業(yè)的健康發(fā)展。體育產(chǎn)業(yè)創(chuàng)新發(fā)展是突破當(dāng)前體育產(chǎn)業(yè)發(fā)展瓶頸的關(guān)鍵，論文在前人定性研究的基礎(chǔ)上采取定量化的方式對體育產(chǎn)業(yè)創(chuàng)新發(fā)展策略進行研究，從而更好地促進體育產(chǎn)業(yè)的健康、可持續(xù)發(fā)展。

1、體育產(chǎn)業(yè)創(chuàng)新能力預(yù)測模型

1.1、體育產(chǎn)業(yè)創(chuàng)新能力構(gòu)成

體育產(chǎn)業(yè)關(guān)聯(lián)度高、產(chǎn)值與影響力大，體育產(chǎn)業(yè)創(chuàng)新發(fā)展必須要采用先進的科學(xué)技術(shù)，持續(xù)開發(fā)新產(chǎn)品，引入新工藝等，從而為體育產(chǎn)業(yè)企業(yè)帶來巨大的經(jīng)濟效益。體育產(chǎn)業(yè)創(chuàng)新能力構(gòu)成如圖1所示。

技術(shù)能力反映了體育產(chǎn)業(yè)的科學(xué)技術(shù)儲備、企業(yè)的技術(shù)水平等多個方面的內(nèi)容，只有不斷地提升科技含量，才能更好地實現(xiàn)體育產(chǎn)業(yè)的創(chuàng)新發(fā)展。轉(zhuǎn)化能力反映了企業(yè)對先進科技技術(shù)轉(zhuǎn)化為生產(chǎn)實際并產(chǎn)生經(jīng)濟效益的能力，即科技成果的轉(zhuǎn)化，只有更好地在科技成果應(yīng)用于實際的生產(chǎn)經(jīng)營中，才能更好地促進體育產(chǎn)業(yè)相關(guān)企業(yè)市場競爭力的提升。經(jīng)濟支撐體現(xiàn)在政府相關(guān)部門對體育產(chǎn)業(yè)企業(yè)提供的資金支持，是體育產(chǎn)業(yè)持續(xù)創(chuàng)新的重要保障。

1.2、基于K均值的體育產(chǎn)業(yè)創(chuàng)新聚類分析

K均值聚類算法是經(jīng)典的數(shù)據(jù)挖掘算法，通過計算數(shù)據(jù)對象之間的距離來衡量相似性。設(shè)為一組包含個數(shù)據(jù)的向量，通過距離函數(shù)的反復(fù)迭代將數(shù)據(jù)分為類。K均值算法目標(biāo)函數(shù)為誤差平方和函數(shù)，表達式為

式中：為第類樣本的個數(shù)，為第類樣本的均值，為第類樣本的第個樣本。

對待分類樣本的不同聚類劃分結(jié)果，誤差平方和函數(shù)的值不同，其中使誤差平方和函數(shù)值最小的聚類為最優(yōu)聚類結(jié)果。由于不同維度體育產(chǎn)業(yè)創(chuàng)新能力數(shù)據(jù)存在數(shù)量級上的差異，因此在進行K均值聚類分析之前對數(shù)據(jù)進行歸一化處理，即

式中：為序列中數(shù)據(jù)最小值，為序列中數(shù)據(jù)最大值，為序列中的第個數(shù)據(jù)，為歸一化數(shù)據(jù)。

1.3、基于BP神經(jīng)網(wǎng)絡(luò)的體育創(chuàng)新能力預(yù)測

BP（back propagation）神經(jīng)網(wǎng)絡(luò)是一種多層感知器，具有良好的多維函數(shù)映射能力，在工程中具有廣泛的應(yīng)用。BP神經(jīng)網(wǎng)絡(luò)按照誤差逆向傳播算法進行訓(xùn)練學(xué)習(xí)，以使得網(wǎng)絡(luò)誤差平方達到最小值為目標(biāo)函數(shù)，采用梯度下降法來計算目標(biāo)函數(shù)的最小值。典型的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)包含三層，即輸入層、隱藏層、輸出層，具體如圖2所示。

將聚類結(jié)果作為外部輸入數(shù)據(jù)，體育產(chǎn)業(yè)創(chuàng)新能力作為輸出數(shù)據(jù)，那么輸入數(shù)據(jù)和輸出數(shù)據(jù)之間的關(guān)系可以表示為

式中：為神經(jīng)元傳輸函數(shù)，為權(quán)值矩陣，為偏差矩陣，表示輸入層到隱藏層，表示隱藏層到輸出層。

對于BP神經(jīng)網(wǎng)絡(luò)而言，網(wǎng)絡(luò)初始權(quán)值及閾值對網(wǎng)絡(luò)性能影響比較大，直接影響了網(wǎng)絡(luò)預(yù)測的準(zhǔn)確率和運行時間。遺傳算法（Genetic Algorithm，GA）是美國科學(xué)家John holland結(jié)合大自然中生物體進化規(guī)律而提出的智能優(yōu)化算法，由于GA具有良好的全局搜索能力且算法復(fù)雜度比較小，因此在工程中具有十分廣泛的應(yīng)用。本文采用GA對BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值及閾值進行優(yōu)化。對初始化權(quán)值和閾值進行編碼，初始化種群，計算適應(yīng)度函數(shù)。GA的核心運算為選擇、交叉、變異，通過選擇操作來挑選優(yōu)化的個體，通過交叉操作和變異操作實現(xiàn)生物遺傳基因的重組。設(shè)交叉概率為，兩個配對個體在實施基因交換之后產(chǎn)生新的個體，數(shù)學(xué)模型為

式中：和分別為第個體和第個體在位置的基因，為區(qū)間內(nèi)隨機數(shù)。

設(shè)變異概率為，對數(shù)值比較小的選擇第個體處于位置的基因進行變異操作，數(shù)學(xué)模型為

式中：和為基因的最小值和最大值，和為區(qū)間內(nèi)隨機數(shù)，為當(dāng)前迭代次數(shù)，為最大迭代次數(shù)。

1.4、體育產(chǎn)業(yè)創(chuàng)新能力預(yù)測模型

我國體育產(chǎn)業(yè)總體規(guī)?？焖侔l(fā)展，體育相關(guān)產(chǎn)業(yè)、體育消費等指標(biāo)均顯著提升，但是體育產(chǎn)業(yè)在發(fā)展實踐中還存在許多的問題，其根源在于體育產(chǎn)業(yè)創(chuàng)新能力不足?；贙均值聚類和BP神經(jīng)網(wǎng)絡(luò)構(gòu)建體育產(chǎn)業(yè)創(chuàng)新能力預(yù)測模型，具體如圖3所示。

由圖3可知，體育產(chǎn)業(yè)創(chuàng)新能力預(yù)測模型主要包含三部分：第一部分是對體育產(chǎn)業(yè)發(fā)展數(shù)據(jù)庫中數(shù)據(jù)進行篩選，找出和創(chuàng)新能力相關(guān)的各種指標(biāo)數(shù)據(jù)，如體育產(chǎn)業(yè)科技人數(shù)、體育產(chǎn)業(yè)研發(fā)投入、體育產(chǎn)業(yè)經(jīng)濟收入等，將非量化指標(biāo)進行量化處理，同時對創(chuàng)新能力指標(biāo)數(shù)據(jù)進行歸一化處理，設(shè)置聚類數(shù)k=3進行歸類分析，得到技術(shù)能力、轉(zhuǎn)化能力、經(jīng)濟支撐的聚類中心。第二部分是確定網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，對BP神經(jīng)網(wǎng)絡(luò)進行初始化，同時采用GA算法對BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值及閾值進行優(yōu)化，得到優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)。第三部分是將樣本數(shù)據(jù)按照8：2的比例劃分為訓(xùn)練樣本和測試樣本，對BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練學(xué)習(xí)，同時采用測試樣本驗證體育產(chǎn)業(yè)創(chuàng)新能力預(yù)測網(wǎng)絡(luò)的性能。

2、實例分析

2.1、數(shù)據(jù)來源

體育產(chǎn)業(yè)創(chuàng)新發(fā)展是突破發(fā)展瓶頸，獲得高質(zhì)量發(fā)展的關(guān)鍵所在。各地經(jīng)濟推進體育產(chǎn)業(yè)的創(chuàng)新發(fā)展，但是整體的創(chuàng)新能力還有待進一步提升。論文選擇浙江省為例，對浙江省體育產(chǎn)業(yè)發(fā)展數(shù)據(jù)庫進行分析，提取創(chuàng)新能力指標(biāo)，具體如圖4所示。

由圖5可知，科技人才學(xué)歷、現(xiàn)有技術(shù)、創(chuàng)新激勵機制、創(chuàng)新重視程度以及技術(shù)儲備水平五個指標(biāo)為非量化指標(biāo)，因此采用問卷調(diào)查的方式進行量化處理，同時對所有的創(chuàng)新能力指標(biāo)數(shù)據(jù)進行歸一化處理，作為論文研究的原始數(shù)據(jù)。

2.2、結(jié)果分析

利用K均值算法對原始數(shù)據(jù)進行聚類，得到不同企業(yè)體育創(chuàng)新能力的聚類結(jié)果。限于論文篇幅限制，僅給出四個體育產(chǎn)業(yè)企業(yè)的聚類分析結(jié)果，如圖5所示。

將聚類分析結(jié)果作為改進BP神經(jīng)網(wǎng)絡(luò)的輸入，對體育產(chǎn)業(yè)創(chuàng)新能力進行預(yù)測。為了驗證本文采用方法的有效性，將其和BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型、GA-BP網(wǎng)絡(luò)預(yù)測模型、K均值-BP網(wǎng)絡(luò)模型進行對比，體育產(chǎn)業(yè)創(chuàng)新能力預(yù)測準(zhǔn)確率結(jié)果如圖6所示，體育產(chǎn)業(yè)創(chuàng)新能力預(yù)測運行時間如圖7所示。

由圖6可知，BP網(wǎng)絡(luò)和K均值-BP網(wǎng)絡(luò)在體育產(chǎn)業(yè)創(chuàng)新能力預(yù)測方面的準(zhǔn)確率相差不大，GA-BP網(wǎng)絡(luò)和K均值-GA-BP網(wǎng)絡(luò)在體育產(chǎn)業(yè)創(chuàng)新能力預(yù)測方面的準(zhǔn)確率相差不大，同時預(yù)測準(zhǔn)確率相對比較高，即采用GA算法對BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值與閾值進行優(yōu)化大大提升了BP神經(jīng)網(wǎng)絡(luò)的性能。

由圖7可知，GA-BP網(wǎng)絡(luò)對體育產(chǎn)業(yè)創(chuàng)新能力預(yù)測所用的時間最長，且遠(yuǎn)遠(yuǎn)高于其它的預(yù)測模型，K均值-BP網(wǎng)絡(luò)和K均值-GA-BP網(wǎng)絡(luò)對體育產(chǎn)業(yè)創(chuàng)新能力預(yù)測所用的時間差別不大，即對數(shù)據(jù)進行K均值聚類之后輸入網(wǎng)絡(luò)中能夠使得算法的復(fù)雜度大大降低。

綜合對比四種不同的預(yù)測模型，K均值-GA-BP網(wǎng)絡(luò)在體育產(chǎn)業(yè)創(chuàng)新能力預(yù)測方面的性能最佳。通過對體育產(chǎn)業(yè)創(chuàng)新發(fā)展能力的預(yù)測來更好地了解體育產(chǎn)業(yè)的創(chuàng)新發(fā)展?fàn)顩r，有效地確保體育產(chǎn)業(yè)的快速發(fā)展。

3、結(jié)論

體育產(chǎn)業(yè)在帶動當(dāng)?shù)亟?jīng)濟發(fā)展方面發(fā)揮著至關(guān)重要的作用，突破體育產(chǎn)業(yè)發(fā)展瓶頸，必須實施體育產(chǎn)業(yè)的創(chuàng)新發(fā)展。本文基于聚類法分析與神經(jīng)網(wǎng)絡(luò)構(gòu)建了體育產(chǎn)業(yè)創(chuàng)新能力預(yù)測的K均值-GA-BP模型，同時將該模型與BP網(wǎng)絡(luò)、GA-BP網(wǎng)絡(luò)、K均值-BP網(wǎng)絡(luò)模型進行對比。結(jié)果表明，K均值-GA-BP網(wǎng)絡(luò)預(yù)測模型對體育產(chǎn)業(yè)創(chuàng)新能力預(yù)測的準(zhǔn)確率比較高，同時模型的運行時間相對也比較短。本論文的研究對定量了解體育產(chǎn)業(yè)創(chuàng)新能力，更好地指導(dǎo)體育產(chǎn)業(yè)的創(chuàng)新發(fā)展具有一定的參考價值。

參考文獻：

[1]張英建.我國體育產(chǎn)業(yè)創(chuàng)新驅(qū)動型發(fā)展機制研究[J].廣州體育學(xué)院學(xué)報，2019，39（4）.

[2]劉兵.我國體育產(chǎn)業(yè)發(fā)展的內(nèi)在動力、存在問題與升級路徑[J].武漢體育學(xué)院學(xué)報，2019，53（8）.

[3]舒成利，智勇.我國體育產(chǎn)業(yè)創(chuàng)新能力與發(fā)展策略研究[J].體育文化導(dǎo)刊，2007（5）.

[4]滕守剛.湖北省體育產(chǎn)業(yè)創(chuàng)新能力分析及發(fā)展對策研究[J].科技進步與對策，2011，28（24）.

[5]Guo Rui， Chen Jinqian， Wang Lin. Hierarchical K-means clustering for registration of multi-view point sets[J].computers and electrical Engineering，2021，（94）.

[6]馬鳳英，于文志.基于BP神經(jīng)網(wǎng)絡(luò)的秸稈發(fā)酵過程乙醇濃度軟測量方法[J].傳感器與微系統(tǒng)，2021，40（7）.

[7]陳遠(yuǎn)玲，王肖，孫英杰等.基于GA-BP神經(jīng)網(wǎng)絡(luò)的甘蔗收獲質(zhì)量預(yù)測[J].農(nóng)機化研究，2021，44（2）.

[8]鄭朝沙，符壯.體醫(yī)融合相關(guān)體育產(chǎn)業(yè)創(chuàng)新發(fā)展研究[J].廣州體育學(xué)院學(xué)報，2020，40（1）.

[9]閆巧珍，董禮平.青少年體質(zhì)健康促進研究現(xiàn)狀[J].體育師友，2019，42（3）.

[10]吳秀云，李華龍.校園體育文化對學(xué)生終身體育意識的影響研究[J].當(dāng)代體育科技，2018，8（28）.

[11]曹衛(wèi)東.新時代中國體育教育改革創(chuàng)新研究[J].體育文化導(dǎo)刊，2019，（2）.

[12]任海.身體素養(yǎng)與青少年體育改革[J].體育文化與產(chǎn)業(yè)研究，2021（1）.

[13]王運成，周春華，陳楚湘，等.基于二叉知識樹推理的可擴展智能排課系統(tǒng)[J].計算機工程與應(yīng)用，2021，57（5）.

作者簡介：崔朋濤，男，漢族，講師，碩士研究生，研究方向：學(xué)校體育學(xué)、社會體育學(xué)。