王海東

摘要： 針對(duì)影響體育比賽成績的因素很多， 傳統(tǒng)的體育預(yù)測方法很難得到滿意預(yù)測結(jié)果的現(xiàn)狀。利用跳遠(yuǎn)運(yùn)動(dòng)員專項(xiàng)成績與素質(zhì)訓(xùn)練水平之間的相關(guān)關(guān)系， 借助BP神經(jīng)網(wǎng)絡(luò)強(qiáng)大的非線性映射能力， 提出了跳遠(yuǎn)運(yùn)動(dòng)員專項(xiàng)成績的神經(jīng)網(wǎng)絡(luò)預(yù)測模型。該模型彌補(bǔ)了傳統(tǒng)預(yù)測方法的不足，充分利用了數(shù)據(jù)中所包含的信息，與傳統(tǒng)的預(yù)測方法相比，預(yù)測結(jié)果的精確度有了較大的提高。為解決該領(lǐng)域內(nèi)復(fù)雜的難以用傳統(tǒng)數(shù)學(xué)方法解決的問題提供了一種新穎的思路和方法。從而為運(yùn)動(dòng)員進(jìn)行科學(xué)訓(xùn)練提供了理論依據(jù)。

Abstract： The factors influencing the sports scores are a lot. The traditional sports predicted method is difficult to obtain satisfactory results. According to the correlation between specific performance and quality training level of long jumper， based on the powerful nonlinear mapping ability of BP neural network， the paper builds the neural network model of long jumper's specific performance. The model makes up for the deficiency of traditional forecasting methods， and makes full use of the information contained in the data， and compared with the traditional prediction method， the accuracy of the prediction results have greatly improved. The paper puts forward a new thought and method to solve the problems that is difficult to solve by using traditional mathematical methods， providing a theoretical basis for scientific training for athletes.

關(guān)鍵詞： BP神經(jīng)網(wǎng)絡(luò)；跳遠(yuǎn)運(yùn)動(dòng)員；專項(xiàng)成績；預(yù)測精度

Key words： BP neural network；long jump athletes；special scores；prediction accuracy

中圖分類號(hào)：TP31 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1006-4311（2013）03-0178-03

0 引言

影響體育競賽成績的因素很多，最主要的是運(yùn)動(dòng)員的體質(zhì)，但同時(shí)運(yùn)動(dòng)員的體形、技術(shù)特點(diǎn)、心理狀態(tài)及外界環(huán)境等都會(huì)在一定程度上影響運(yùn)動(dòng)員的競技成績[1-2]。傳統(tǒng)的預(yù)測方法雖然在一定程度上能夠利用運(yùn)動(dòng)員個(gè)人的訓(xùn)練指標(biāo)對(duì)專項(xiàng)成績進(jìn)行預(yù)測，從而指導(dǎo)運(yùn)動(dòng)員的日常訓(xùn)練，但是這些模型都有比較苛刻的條件限制和使用范圍，如在利用多重線性回歸模型進(jìn)行預(yù)測時(shí)，專項(xiàng)成績與各相關(guān)因素之間需要服從正態(tài)性、方差齊性、多重線性關(guān)系等嚴(yán)格的條件，而灰色系統(tǒng)預(yù)測模型屬于線性建模，在短期預(yù)測精度上有一定效果，而對(duì)于復(fù)雜的非線性關(guān)系時(shí)，單純的灰色預(yù)測就很難獲得一個(gè)可接受的預(yù)測誤差[3]。但是，實(shí)際上專項(xiàng)成績與各素質(zhì)訓(xùn)練水平之間可能存在復(fù)雜的非線性函數(shù)關(guān)系，很難滿足傳統(tǒng)預(yù)測模型的條件限制，因此，使用多重線性回歸或灰色系統(tǒng)等傳統(tǒng)模型對(duì)運(yùn)動(dòng)員的專項(xiàng)成績進(jìn)行預(yù)測可能會(huì)存在較大誤差，導(dǎo)致模型的預(yù)測精度降低，從而顯示出不合理的特征[4-6]。

與傳統(tǒng)的預(yù)測方法相比，BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用沒有嚴(yán)格的條件限制，變量間不需要滿足線性、獨(dú)立性、正態(tài)性、方差齊性等條件，該網(wǎng)絡(luò)具有自組織、自適應(yīng)及容錯(cuò)性強(qiáng)等特點(diǎn)，從而可以有效的進(jìn)行數(shù)據(jù)間的非線性映射，當(dāng)傳統(tǒng)預(yù)測模型無法達(dá)到目的或者預(yù)測效果不好時(shí)，使用此模型往往會(huì)達(dá)到很好的預(yù)測效果。

1 研究對(duì)象

部分國內(nèi)一流水平的跳遠(yuǎn)運(yùn)動(dòng)員，國家健將。

2 研究方法

人工神經(jīng)網(wǎng)絡(luò)是由大量的處理單元相互連接而組成的信息處理系統(tǒng)，具有非線性、自適應(yīng)等特點(diǎn)。神經(jīng)網(wǎng)絡(luò)起源于現(xiàn)代神經(jīng)科學(xué)的研究成果，其主要目的是嘗試通過模擬大腦神經(jīng)網(wǎng)絡(luò)處理及記憶信息的方式來進(jìn)行信息處理。人工神經(jīng)網(wǎng)絡(luò)是并行分布式系統(tǒng)，采用了與傳統(tǒng)人工智能和信息處理技術(shù)完全不同的原理，克服了傳統(tǒng)的基于邏輯符號(hào)的人工智能在處理直覺、非結(jié)構(gòu)化信息方面的缺陷， 具有較好的容錯(cuò)和抗干擾能力以及具有記憶、聯(lián)想、自適應(yīng)和良好的魯棒性等一系列優(yōu)點(diǎn)[7]。

BP神經(jīng)網(wǎng)絡(luò)，即反向傳播，是目前應(yīng)用比較多的一種。其基本思想是使用梯度搜索理論，使網(wǎng)絡(luò)實(shí)際輸出與期望輸出的差值的均方達(dá)到最小。輸入變量Xi通過中間節(jié)點(diǎn)影響輸出節(jié)點(diǎn)，經(jīng)過復(fù)雜的非線性變換過程，生成輸出變量Yk，當(dāng)反應(yīng)變量與模型的輸出變量之差大于事先設(shè)定的誤差標(biāo)準(zhǔn)時(shí)，模型重新設(shè)置各層的權(quán)值，重新建立模型，直到誤差值小于事先設(shè)定的誤差時(shí)訓(xùn)練停止。BP神經(jīng)網(wǎng)絡(luò)的計(jì)算流程圖如圖1所示。

3 預(yù)測專項(xiàng)成績的BP神經(jīng)網(wǎng)絡(luò)模型

3.1 模型自變量的篩選 由于各項(xiàng)素質(zhì)訓(xùn)練指標(biāo)與專項(xiàng)成績之間的關(guān)聯(lián)強(qiáng)度不同，對(duì)于專項(xiàng)成績預(yù)測的影響系數(shù)也會(huì)不同。需要篩選出對(duì)運(yùn)動(dòng)員專項(xiàng)成績影響較大的素質(zhì)訓(xùn)練指標(biāo)。利用2008-2009年國家體育總局收錄的跳遠(yuǎn)運(yùn)動(dòng)員歷史數(shù)據(jù)信息，對(duì)跳遠(yuǎn)運(yùn)動(dòng)員各素質(zhì)訓(xùn)練指標(biāo)與專項(xiàng)成績做相關(guān)性分析，計(jì)算出各自相關(guān)系數(shù)（r），結(jié)果見表1。由表1可知，運(yùn)動(dòng)員的立定三級(jí)跳、30米跑、離板瞬間重心騰起初速度、最后5米助跑速度及100米跑等五項(xiàng)素質(zhì)訓(xùn)練指標(biāo)與專項(xiàng)成績之間的相關(guān)系數(shù)均較大，選取這五項(xiàng)素質(zhì)訓(xùn)練指標(biāo)作為運(yùn)動(dòng)員專項(xiàng)成績的預(yù)測因子。

3.2 BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的建立

3.2.1 網(wǎng)絡(luò)結(jié)構(gòu)的確定 建立神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)是確定神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。Kolmogorov定理指出[8-9]，給定任一連續(xù)函數(shù)f：[0，1] I→RJ，f可以精確地用一個(gè)三層BP神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)，此網(wǎng)絡(luò)的輸入層有I個(gè)神經(jīng)元，中間層有2I+1個(gè)神經(jīng)元。本研究選取五個(gè)與運(yùn)動(dòng)員專項(xiàng)成績關(guān)系密切的預(yù)測因子，需要設(shè)定五個(gè)輸入神經(jīng)元，按照Kolmogorov定理，選用一個(gè)隱含層，設(shè)定其神經(jīng)元的個(gè)數(shù)為11個(gè)。輸出層為收錄的專項(xiàng)成績數(shù)據(jù)。

3.2.2 網(wǎng)絡(luò)的學(xué)習(xí) 以選定的五項(xiàng)素質(zhì)訓(xùn)練指標(biāo)以及專項(xiàng)成績數(shù)據(jù)作為訓(xùn)練樣本（數(shù)據(jù)見表2），其中五項(xiàng)素質(zhì)訓(xùn)練指標(biāo)數(shù)據(jù)作為預(yù)測因子進(jìn)行輸入，對(duì)應(yīng)的專項(xiàng)成績作為輸出數(shù)據(jù)。由于BP神經(jīng)網(wǎng)絡(luò)模型對(duì)（0，1）之間的數(shù)最敏感，因此需要將原始數(shù)據(jù)進(jìn)行歸一化處理，將其歸一化到（0，1）范圍。具體處理方式如下：x■■=■

其中，xi為原始值，x■■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(shù)據(jù)輸入BP神經(jīng)網(wǎng)絡(luò)，對(duì)訓(xùn)練樣本進(jìn)行學(xué)習(xí)，使網(wǎng)絡(luò)輸出誤差減少到可接受的程度，從而最好的形成訓(xùn)練素質(zhì)指標(biāo)與專項(xiàng)成績之間的映射，以實(shí)現(xiàn)對(duì)跳遠(yuǎn)用動(dòng)員專項(xiàng)成績的精確預(yù)測。由于神經(jīng)網(wǎng)絡(luò)要解決的是一個(gè)復(fù)雜的非線性化問題，學(xué)習(xí)的計(jì)算過程相當(dāng)復(fù)雜，本研究中運(yùn)用SPSS19.0統(tǒng)計(jì)軟件對(duì)BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)訓(xùn)練學(xué)習(xí)。

3.2.3 BP神經(jīng)網(wǎng)絡(luò)模型的結(jié)果 選擇跳遠(yuǎn)運(yùn)動(dòng)員2008年- 2009年的素質(zhì)訓(xùn)練指標(biāo)數(shù)據(jù)，首先進(jìn)行歸一化處理，之后將其代入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型中，通過軟件的分析處理，得到了專項(xiàng)成績的預(yù)測值。2008年-2009年的素質(zhì)訓(xùn)練指標(biāo)與專項(xiàng)成績采用多元線性回歸模型表達(dá)時(shí)，利用最小二乘法來擬合，獲得的數(shù)學(xué)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(zhì)訓(xùn)練指標(biāo)，即跳遠(yuǎn)運(yùn)動(dòng)員的立定三級(jí)跳成績、30米跑成績、最后五米助跑速度、100米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(jì)算得出2008年- 2009年運(yùn)動(dòng)員的專項(xiàng)成績預(yù)測值。計(jì)算結(jié)果見表3。

由表3中的誤差一欄可見，BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的預(yù)測誤差遠(yuǎn)低于多元線性回歸模型的預(yù)測誤差。通過計(jì)算各種方法的誤差值求出BP神經(jīng)網(wǎng)絡(luò)模型的平均相對(duì)誤差為0.048，而多重線性回歸模型的平均相對(duì)誤差為0.188。說明神經(jīng)網(wǎng)絡(luò)模型的預(yù)測效果優(yōu)于多重線性回歸模型，BP神經(jīng)網(wǎng)絡(luò)模型更適于進(jìn)行跳遠(yuǎn)運(yùn)動(dòng)員專項(xiàng)成績的預(yù)測。

4 結(jié)束語

本文提出的基于BP神經(jīng)網(wǎng)絡(luò)的跳遠(yuǎn)運(yùn)動(dòng)員專項(xiàng)成績預(yù)測方法，具有強(qiáng)大的非線性映射能力和泛化能力，克服了現(xiàn)有跳遠(yuǎn)運(yùn)動(dòng)員專項(xiàng)成績預(yù)測方法的不足，即主觀性、隨意性，以及要事先確定預(yù)測模型的數(shù)學(xué)表達(dá)形式和苛刻的使用條件，具有較高的預(yù)測精度。為運(yùn)動(dòng)員安排合理科學(xué)的訓(xùn)練計(jì)劃和運(yùn)動(dòng)員的選材提供依據(jù)，值得進(jìn)一步探討和研究。

參考文獻(xiàn)：

[1]徐向軍.對(duì)青少年田徑運(yùn)動(dòng)員運(yùn)動(dòng)能力發(fā)展的影響因素探討[J].首都體育學(xué)院學(xué)報(bào)，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(jīng)網(wǎng)絡(luò)的服裝面料規(guī)格參數(shù)預(yù)測[J].計(jì)算機(jī)應(yīng)用與軟件，2012，29（17）：154-155.

[4]袁磊．世界優(yōu)秀男子跳高運(yùn)動(dòng)員身體素質(zhì)與專項(xiàng)成績相關(guān)關(guān)系的遞歸神經(jīng)網(wǎng)絡(luò)模型構(gòu)建[Ｊ]．北京體育大學(xué)學(xué)報(bào)，2008，31（2）：202-204.

[5] Guoli Wang， Jianhui Wu， Jianhua Wu， et al .A Comparison between the Linear Neural Network Method and the Multiple Linear Regression Method in the Modeling of Continuous Data[J]. Journal of computers， 2011，6（10）：2143-2148.

[6]Jianhui Wu， Qi Ren， Houjun Xu， et al. Comparison of Modeling of Data with Different Variation Degree with BP Neutral Network[J]. Journal of Convergence Information Technology，2012，7（13）：180-188.

[7]季蘇，李曉新.基于神經(jīng)網(wǎng)絡(luò)模型的田徑比賽預(yù)測[J].運(yùn)動(dòng)，2012（14）：21-22.

[8]尹朝慶，尹皓.人工智能與專家系統(tǒng)[M].北京：中國水利水電出版社，2002.

[9]高濟(jì)，朱淼良，何欽銘.人工智能基礎(chǔ)[M].北京：高等教育出版社，2002.