基于BP神經網絡的跳遠專項成績預測模型研究

柯繼芳

(黃岡職業(yè)技術學院 湖北黃州 438002)

影響體育競賽成績的因素很多,最主要的是運動員的體質,但同時運動員的體形、技術特點、心理狀態(tài)及外界環(huán)境等都會在一定程度上影響運動員的競技成績。傳統(tǒng)的預測方法雖然在一定程度上能夠利用運動員個人的訓練指標對專項成績進行預測,從而指導運動員的日常訓練,但是這些模型都有比較苛刻的條件限制和使用范圍。與傳統(tǒng)的預測方法相比,BP神經網絡的應用沒有嚴格的條件限制,變量間不需要滿足線性、獨立性、正態(tài)性、方差齊性等條件,該網絡具有自組織、自適應及容錯性強等特點,從而可以有效的進行數據間的非線性映射,當傳統(tǒng)預測模型無法達到目的或者預測效果不好時,使用此模型往往會達到很好的預測效果。

1 研究對象與方法

選取部分國內一流水平的跳遠運動員(國家健將)作為研究對象。

BP神經網絡,即反向傳播,是目前應用比較多的一種。其基本思想是使用梯度搜索理論,使網絡實際輸出與期望輸出的差值的均方達到最小。輸入變量Xi通過中間節(jié)點影響輸出節(jié)點,經過復雜的非線性變換過程,生成輸出變量Yk,當反應變量與模型的輸出變量之差大于事先設定的誤差標準時,模型重新設置各層的權值,重新建立模型,直到誤差值小于事先設定的誤差時訓練停止。(見圖1)。

圖1 BP神經網絡計算流程圖

2 預測專項成績的BP神經網絡模型

2.1 模型自變量的篩選

由于各項素質訓練指標與專項成績之間的關聯強度不同,對于專項成績預測的影響系數也會不同。需要篩選出對運動員專項成績影響較大的素質訓練指標。利用2008～2009年國家體育總局收錄的跳遠運動員歷史數據信息,對跳遠運動員各素質訓練指標與專項成績做相關性分析,計算出各自相關系數(r),結果見表1。由表1可知,運動員的立定三級跳、30m跑、離板瞬間重心騰起初速度、最后5m助跑速度及100m跑等五項素質訓練指標與專項成績之間的相關系數均較大,選取這五項素質訓練指標作為運動員專項成績的預測因子。

2.2 BP神經網絡預測模型的建立

2.2.1 網絡結構的確定

建立神經網絡模型的基礎是確定神經網絡的結構。Kolmogorov定理指出,給定任一連續(xù)函數f:[0,1]I→RJ,f可以精確地用一個三層BP神經網絡來實現,此網絡的輸入層有I個神經元,中間層有2I+1個神經元。本研究選取5個與運動員專項成績關系密切的預測因子,需要設定5個輸入神經元,按照Kolmogorov定理,選用一個隱含層,設定其神經元的個數為11個。輸出層為收錄的專項成績數據。

2.2.2 網絡的學習

由于BP神經網絡模型對(0,1)之間的數最敏感,因此需要將原始數據進行歸一化處理,將其歸一化到(0,1)范圍。具體處理方式如下:

其中xi為原始值,為歸一化后的值,Xmin和Xmax分別表示最小值和最大值。把歸一化后的數據輸入BP神經網絡,對訓練樣本進行學習,使網絡輸出誤差減少到可接受的程度,從而最好的形成訓練素質指標與專項成績之間的映射,以實現對跳遠用動員專項成績的精確預測。由于神經網絡要解決的是一個復雜的非線性化問題,學習的計算過程相當復雜,本研究中運用SPSS19.0統(tǒng)計軟件對BP神經網絡實現訓練學習。

表1 素質訓練指標與跳遠專項成績之間的相關系數

表2 預測模型的擬和精度

2.2.3 BP神經網絡模型的結果

選擇跳遠運動員2008～2009年的素質訓練指標數據,首先進行歸一化處理,之后將其代入訓練好的神經網絡模型中,通過軟件的分析處理,得到了專項成績的預測值。2008～2009年的素質訓練指標與專項成績采用多元線性回歸模型表達時,利用最小二乘法來擬合,獲得的數學模型為:y=0.35X1+0.2X2-0.18X3-0.26X4+0.29X5+7.68,X1、X2、X3、X4、X5分別代表了前面選定的素質訓練指標,即跳遠運動員的立定三級跳成績、30m跑成績、最后5m助跑速度、100m跑成績及離板瞬間重心騰起初速度。

利用上述多重線性回歸模型,計算得出2008～2009年運動員的專項成績預測值。(見表2)。

由表2中的誤差一欄可見,BP神經網絡預測模型的預測誤差遠低于多元線性回歸模型的預測誤差。通過計算各種方法的誤差值求出BP神經網絡模型的平均相對誤差為0.048,而多重線性回歸模型的平均相對誤差為0.188。說明神經網絡模型的預測效果優(yōu)于多重線性回歸模型,BP神經網絡模型更適于進行跳遠運動員專項成績的預測。

3 結語

本文提出的基于BP神經網絡的跳遠運動員專項成績預測方法,具有強大的非線性映射能力和泛化能力,克服了現有跳遠運動員專項成績預測方法的不足,即主觀性、隨意性,以及要事先確定預測模型的數學表達形式和苛刻的使用條件,具有較高的預測精度。為運動員安排合理科學的訓練計劃和運動員的選材提供依據,值得進一步探討和研究。

[1] 徐向軍.對青少年田徑運動員運動能力發(fā)展的影響因素探討[J].首都體育學院學報,2001,13(2):60-62.

[2] FOREMAN K.The use of talent-predictive factors in the selection of track and field athletes[J].In Gambetta V (Ed.),The Athletic Congress' s T rack and Field Coaching Manual,Champaign,IL:Leisure Press,1989:31-36.

[3] 孫莉,翟永超.基于BP神經網絡的服裝面料規(guī)格參數預測[J].計算機應用與軟件,2012,29(17):154-155.