• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      訓(xùn)練場地環(huán)境下杰出運(yùn)動員中樞疲勞ANN預(yù)測模型的構(gòu)建

      2016-01-27 05:23:54周文婷孟琪
      關(guān)鍵詞:人工神經(jīng)網(wǎng)絡(luò)預(yù)測

      周文婷++孟琪

      摘要:目的:構(gòu)建可預(yù)測訓(xùn)練場地環(huán)境綜合因素影響下的杰出單板U型場地滑雪運(yùn)動員中樞疲勞情況的人工神經(jīng)網(wǎng)絡(luò)模型(ANN)。方法:分3次對單板U行場地滑雪國家隊在哈爾濱體育學(xué)院帽兒山滑雪場的訓(xùn)練場地環(huán)境指標(biāo)進(jìn)行測試,并對運(yùn)動員的聲喜好等情況進(jìn)行問卷調(diào)查和訪談,測試及調(diào)查指標(biāo)包括聲學(xué)指標(biāo)和環(huán)境指標(biāo)。以閃光融合頻率評價運(yùn)動員的中樞疲勞情況。將上述指標(biāo)納入ANN模型的構(gòu)建,包括訓(xùn)練次數(shù)、隱藏層設(shè)計、函數(shù)的選擇和模型的檢驗等。結(jié)果:14個主、客觀指標(biāo)變量與單板U型場地滑雪運(yùn)動員的中樞疲勞顯著相關(guān),2個不相關(guān)。在3層結(jié)構(gòu)(1個隱藏層)的ANN模型中,隱藏節(jié)點(diǎn)數(shù)、訓(xùn)練次數(shù)和訓(xùn)練函數(shù)分別在25、800和TRAINOSS時效果最優(yōu)。分別構(gòu)建了可預(yù)測運(yùn)動員中樞疲勞的ANN通用模型和分組模型,并獲得了上述模型的最優(yōu)網(wǎng)絡(luò)參數(shù)及預(yù)測結(jié)果。結(jié)論:成功構(gòu)建了可預(yù)測訓(xùn)練場地環(huán)境綜合因素下杰出單板U型場地滑雪運(yùn)動員中樞疲勞情況的ANN模型。

      關(guān)鍵詞:訓(xùn)練場地環(huán)境;綜合因素;單板U型場地滑雪;中樞疲勞;預(yù)測;人工神經(jīng)網(wǎng)絡(luò)

      中圖分類號:G804 文獻(xiàn)標(biāo)識碼:A

      文章編號:1008-2808(2015)06-0008-07

      作為技巧類難美項群雪上運(yùn)動項目,單板U型場地滑雪因其運(yùn)動員需要在3-4min內(nèi)完成6-8個高難度空中翻轉(zhuǎn)動作,故在訓(xùn)練和比賽中易因精神高度緊張,注意力集中而產(chǎn)生中樞疲勞。中樞疲勞是中樞為防止機(jī)體發(fā)生過度機(jī)能衰竭而出現(xiàn)的保護(hù)性抑制,可受多種因素影響并存在顯著的個體差異,環(huán)境可能是其中一個重要因素。眾多研究發(fā)現(xiàn),環(huán)境聲音對環(huán)境中個體的心理疲勞影響顯著,其他環(huán)境因素則可能與環(huán)境聲音協(xié)同發(fā)揮作用。

      當(dāng)前,主流的預(yù)測方法分為基于人工智能的預(yù)測方法和基于統(tǒng)計學(xué)的算法,前者包括支持向量機(jī)、貝葉斯網(wǎng)絡(luò)和人工神經(jīng)網(wǎng)絡(luò)(artificial neuralnetwork,ANN)等,后者如序列邏輯回歸模型。不同于以往的理論推導(dǎo)公式,ANN可通過分析和學(xué)習(xí)大量已有的評價數(shù)據(jù),總結(jié)出研究對象與影響因素之間的關(guān)系,并由這些“關(guān)系”預(yù)測未知結(jié)果,在60余年的發(fā)展中,不斷完善和加人多種算法,從而在工業(yè)、醫(yī)學(xué)、商業(yè)等眾多領(lǐng)域廣泛用于識別和預(yù)測,多項采用該技術(shù)建立的預(yù)測模型,其準(zhǔn)確率都達(dá)到了70%以上。根據(jù)學(xué)習(xí)策略和互聯(lián)模式連接方式的不同,ANN分為多種類型,而BP(Back Propogation)神經(jīng)網(wǎng)絡(luò)因較其它神經(jīng)網(wǎng)絡(luò)具有普遍性強(qiáng)和運(yùn)算過程清晰等優(yōu)勢,特別適于求解內(nèi)部機(jī)制復(fù)雜的問題,應(yīng)用最為廣泛。

      提高訓(xùn)練效果,延緩運(yùn)動疲勞出現(xiàn)和快速從疲勞中恢復(fù)是當(dāng)前運(yùn)動訓(xùn)練亟待解決的問題,而通過訓(xùn)練場地的環(huán)境指標(biāo)預(yù)測運(yùn)動員的中樞疲勞情況,進(jìn)而調(diào)整相關(guān)環(huán)境指標(biāo)以延緩運(yùn)動員中樞疲勞的出現(xiàn)或使其迅速得以恢復(fù),將可能是提高訓(xùn)練效果的新手段。為此,本研究首次通過BP網(wǎng)絡(luò)技術(shù)構(gòu)建訓(xùn)練場地綜合因素影響下單板U型場地滑雪項目杰出運(yùn)動員的中樞疲勞預(yù)測模型,旨在為其將來的應(yīng)用提供參考。

      1 實驗對象和方法

      1.1 實驗對象

      國家單板U型場地滑雪隊41名(女17/男24)杰出運(yùn)動員參與研究。所有運(yùn)動員均為國家一級以上運(yùn)動員,平均年齡和平均訓(xùn)練年限分別為20.3±5.2yrs和12.6±5.7yrs。

      1.2 實驗方法

      1.2.1 輸入數(shù)據(jù)的采集

      (1)選址。所有評價數(shù)據(jù)進(jìn)行采集時,需要選擇具有典型性的調(diào)查地點(diǎn)。雖然調(diào)研得知國家單板U型場地滑雪隊有多處訓(xùn)練場地,但日常訓(xùn)練主要集中于哈爾濱體育學(xué)院帽兒山滑雪場。為此,本研究選取該滑雪場作為測試地點(diǎn)。

      (2)主觀調(diào)查。采用調(diào)查問卷研究影響因素與運(yùn)動員在訓(xùn)練場地環(huán)境下主觀感受間的關(guān)系,其中聲環(huán)境主觀感受包括聲舒適度、主觀響度、聲喜好等指標(biāo),其他環(huán)境主觀感受包括溫度感受、濕度感受、亮度感受和風(fēng)速感受。具體過程包括:

      A.問卷設(shè)計:首先提出研究假設(shè),對研究對象進(jìn)行界定;其次采用結(jié)構(gòu)訪談和無結(jié)構(gòu)訪談相結(jié)合的形式對主觀響度、聲舒適度和聲喜好的研究內(nèi)容進(jìn)行補(bǔ)充,提出問卷題目的設(shè)計方案;最后完成主觀響度、聲舒適度和聲喜好的量表、使用者特征量表和環(huán)境調(diào)查量表。

      B.信度與效度分析:通過5位專家對問卷的效度進(jìn)行檢驗,評價結(jié)果良好。采用Cronbachα信度進(jìn)行問卷的信度檢驗,結(jié)果,環(huán)境因子信度αl=0.713,聲音因子信度α2=0.821,信度滿足調(diào)查的要求。

      C.正式調(diào)查:調(diào)查以實地發(fā)放問卷結(jié)合訪談的形式進(jìn)行,分別于2014年11月、2015年1月和3月對在帽兒山滑雪場訓(xùn)練的杰出單板U型場地滑雪運(yùn)動員發(fā)放121份問卷,回收有效問卷115份,回收率95.0%。調(diào)查結(jié)果通過SPSS14.0軟件錄入和進(jìn)行分類研究。

      (3)客觀測量。除主觀感受外,可能影響中樞疲勞評價結(jié)果的一些客觀物理指標(biāo)也被測試,包括聲壓級、混響時間、溫度、濕度、照度及風(fēng)速。聲壓級測量使用聲級計記錄A聲級數(shù)據(jù),并保證測量位置離U型槽壁面和其它主要反射面不小于Im,距地面1.2m-1.5m,每3-5s記錄一次,每個地點(diǎn)記錄100個數(shù)據(jù),取平均值為測量點(diǎn)的A聲級?;祉憰r間使用無指向聲源作為聲源點(diǎn),在一定的距離上設(shè)置若干個測量點(diǎn),在聲源停止發(fā)聲時,用高保真錄音機(jī)記錄聲壓級衰減的過程,并用OldB的軟件進(jìn)行分析。由于測試時滑雪場內(nèi)的溫濕度變化緩慢,因此在調(diào)查問卷結(jié)束之后,只對每一個點(diǎn)使用溫濕度計記錄1組溫濕度的數(shù)據(jù)。測量的照度值一般指水平工作面照度。對滑雪場而言,統(tǒng)一選取運(yùn)動員在U型槽上躍起的平均高度,即男子3.0m,女子2.0m作為水平工作面標(biāo)準(zhǔn)高度,每記錄一份問卷之后,對測量點(diǎn)水平工作面照度計量一次。風(fēng)速測量使用手持式風(fēng)速儀,測試過程中持續(xù)記錄,取平均值為測試點(diǎn)的風(fēng)速。為驗證模型準(zhǔn)確度,分別對運(yùn)動員的中樞疲勞情況進(jìn)行了測試,方法采用閃光融合頻率測試,測試時間分別為訓(xùn)練前30min、訓(xùn)練30min、訓(xùn)練60min、訓(xùn)練90min、訓(xùn)練后即刻及訓(xùn)練后30min。

      (4)數(shù)據(jù)分析。采用Matlab7平臺進(jìn)行ANN預(yù)測模型的構(gòu)建。問卷調(diào)查及測試獲得的主、客觀指標(biāo)的描述采用以平均值±標(biāo)準(zhǔn)差(x±s);主、客觀指標(biāo)與運(yùn)動員中樞疲勞的相關(guān)性檢驗采用Pear-son/Spearman相關(guān)分析(雙尾),各指標(biāo)在訓(xùn)練及檢驗組間的差異則采用配對t檢驗(雙尾)。SPSS 14.0軟件包統(tǒng)計分析,非常顯著性水平與顯著性水平分別定為0.01和0.05。

      1.2.2 單板U型場地滑雪運(yùn)動員中樞疲勞ANN模型的構(gòu)建 以上述與運(yùn)動員中樞疲勞相關(guān)的變量作為輸入變量,個體中樞疲勞為輸出變量。因樣本量有限,在模型分析過程中,80%的數(shù)據(jù)用于訓(xùn)練而20%數(shù)據(jù)用于檢驗;在模型評價過程中,70%的數(shù)據(jù)用于訓(xùn)練,10%為無效數(shù)據(jù),20%的數(shù)據(jù)用于檢驗。

      (1)隱藏層及節(jié)點(diǎn)設(shè)計。參考相關(guān)文獻(xiàn),ANN模型采用3層結(jié)構(gòu)(1個隱藏層),隱藏節(jié)點(diǎn)數(shù)范圍從5-35,網(wǎng)絡(luò)的訓(xùn)練次數(shù)設(shè)定為100-3000次,分別計算訓(xùn)練及檢驗組的誤差與相關(guān)系數(shù)。

      (2)函數(shù)選擇。ANN的函數(shù)主要包括傳遞函數(shù)、訓(xùn)練函數(shù)和學(xué)習(xí)函數(shù)。因?qū)W習(xí)函數(shù)對運(yùn)算的結(jié)果影響較小,故僅調(diào)整傳遞函數(shù)和訓(xùn)練函數(shù)。本研究以純線性函數(shù)PURELIN作為傳遞函數(shù),訓(xùn)練函數(shù)為TRAINLM、TRAINOSS和TRAINCGB這3種經(jīng)典的Matlab訓(xùn)練函數(shù)。隱藏節(jié)點(diǎn)數(shù)及網(wǎng)絡(luò)訓(xùn)練次數(shù)參照上述:隱藏層及節(jié)點(diǎn)設(shè)計的結(jié)果,分別計算訓(xùn)練及檢驗組的誤差與相關(guān)系數(shù)。

      (3)模型的檢驗。數(shù)據(jù)被分為10組,其中8組用于輸入數(shù)據(jù),1組作為檢驗數(shù)據(jù),1組作為預(yù)測數(shù)據(jù),以進(jìn)行模型的過擬合檢驗。隱藏節(jié)點(diǎn)數(shù)及網(wǎng)絡(luò)訓(xùn)練次數(shù)參照上述:(1)隱藏層及節(jié)點(diǎn)設(shè)計的結(jié)果,訓(xùn)練模型參照;(2)函數(shù)選擇的結(jié)果,分別計算有/無檢驗測試下訓(xùn)練及檢驗組的誤差與相關(guān)系數(shù)。

      2 結(jié)果與分析

      2.1 影響單板U型場地滑雪運(yùn)動員中樞疲勞的因素

      鑒于與ANN模型無關(guān)的輸人數(shù)據(jù)會影響預(yù)測結(jié)果,故輸入網(wǎng)絡(luò)前,需要分析整理出聲音、使用者、空間和環(huán)境等影響因素與中樞疲勞的關(guān)系,如表1所示,16個指標(biāo)被選為運(yùn)動員中樞疲勞預(yù)測模型的輸入變量,輸出變量為個體的中樞疲勞。相關(guān)檢驗發(fā)現(xiàn),上述變量中,14個變量與單板U型場地滑雪運(yùn)動員的中樞疲勞顯著相關(guān),故2個與中樞疲勞不相關(guān)的要素,A1及A6,在接下來的模型構(gòu)建中不納入網(wǎng)絡(luò)計算。

      2.2 單板U型場地滑雪運(yùn)動員中樞疲勞ANN模型的構(gòu)建

      業(yè)已證實,BP神經(jīng)網(wǎng)絡(luò)中隱藏層的數(shù)量為1層或2層時就可以解決現(xiàn)有的各種分類問題,故本研究選擇1個隱藏層的3層結(jié)構(gòu)ANN模型。此外,關(guān)于隱藏層的節(jié)點(diǎn)數(shù),若數(shù)量較少,則網(wǎng)絡(luò)不能進(jìn)行訓(xùn)練或降低網(wǎng)絡(luò)訓(xùn)練的性能;若節(jié)點(diǎn)數(shù)較多,雖然可能降低網(wǎng)絡(luò)的訓(xùn)練誤差,但訓(xùn)練中也容易出現(xiàn)“過擬合”或?qū)е戮W(wǎng)絡(luò)訓(xùn)練時間的提高。

      根據(jù)隱藏層節(jié)點(diǎn)數(shù)確定的最基本原則,本研究選擇5-35的隱藏節(jié)點(diǎn)數(shù)范圍,ANN模型中訓(xùn)練及檢驗組的誤差與相關(guān)系數(shù)見圖2。由圖2(b)可見,當(dāng)隱藏節(jié)點(diǎn)數(shù)的變化范圍為5-35時,檢驗組相關(guān)系數(shù)的變化范圍為0.54-0.68,當(dāng)隱藏節(jié)點(diǎn)數(shù)從30變?yōu)?5時,檢驗組的相關(guān)系數(shù)由0.64降為0.61,表明隱藏節(jié)點(diǎn)數(shù)為25是ANN模型在3層結(jié)構(gòu)下的最優(yōu)節(jié)點(diǎn)數(shù)。

      迭代次數(shù)是BP人工神經(jīng)網(wǎng)絡(luò)的運(yùn)算次數(shù),增加網(wǎng)絡(luò)的迭代次數(shù)可減少網(wǎng)絡(luò)的訓(xùn)練誤差,但會增加網(wǎng)絡(luò)的訓(xùn)練時間。為確定合適的迭代次數(shù)對網(wǎng)絡(luò)預(yù)測效果的影響,本研究分別訓(xùn)練了100次、200次、300次、400次、500次、600次、700次、800次、900次、1000次、2000次和3000次,不同訓(xùn)練次數(shù)下ANN模型中訓(xùn)練及檢驗組的誤差及相關(guān)系數(shù)見圖3。由圖3(b)可見,檢驗組的相關(guān)系數(shù)在訓(xùn)練次數(shù)為100時最低,僅為0.39,隨著訓(xùn)練次數(shù)的增加,檢驗組的相關(guān)系數(shù)逐漸好轉(zhuǎn),并在訓(xùn)練次數(shù)增至400-800時達(dá)到0.67-0.69的較好水平。然而,當(dāng)訓(xùn)練次數(shù)繼續(xù)由900增加至3000的過程中,檢驗組的相關(guān)系數(shù)不再增加,而是從0.67逐漸降至0.58,其原因可能是因為網(wǎng)絡(luò)的迭代次數(shù)過多,導(dǎo)致網(wǎng)絡(luò)的“過擬合”,使其泛化能力降低,即網(wǎng)絡(luò)從“靈活理解”變?yōu)椤昂唵斡洃洝保诡A(yù)測的準(zhǔn)確率下降,故800次被作為ANN模型的最優(yōu)訓(xùn)練次數(shù)用于模型構(gòu)建。

      根據(jù)前面結(jié)果,不同訓(xùn)練函數(shù)下ANN模型中的隱藏節(jié)點(diǎn)數(shù)及訓(xùn)練次數(shù)均設(shè)定為25和800,該模型中訓(xùn)練及檢驗組的誤差與相關(guān)系數(shù)見圖4。

      由圖可見,TRAINOSS訓(xùn)練函數(shù)下ANN模型的訓(xùn)練效果較其他訓(xùn)練函數(shù)更好,其檢驗組的相關(guān)系數(shù)為0.72,說明選用該訓(xùn)練函數(shù)時,網(wǎng)絡(luò)的收斂速度較慢,訓(xùn)練誤差最小;而選用訓(xùn)練函數(shù)TRAINM時,網(wǎng)絡(luò)的收斂速度快,但誤差較大,因此在三種訓(xùn)練函數(shù)中最不利于ANN模型的訓(xùn)練效果。

      根據(jù)前面結(jié)果,有/無驗證測試條件下ANN模型中的隱藏節(jié)點(diǎn)數(shù)及訓(xùn)練次數(shù)均設(shè)定為25和800,訓(xùn)練函數(shù)采用TRAINOSS,該模型中訓(xùn)練及檢驗組的標(biāo)準(zhǔn)差與相關(guān)系數(shù)見表2。由表可見,有驗證測試條件下ANN模型的檢驗組標(biāo)準(zhǔn)差較無驗證測試條件下檢驗組的誤差小,表明所有ANN模型在此步均需進(jìn)行驗證測試。

      2.3 單板U型場地滑雪運(yùn)動員中樞疲勞的ANN模型

      根據(jù)影響運(yùn)動員中樞疲勞的各變量權(quán)重,本研究分別構(gòu)建了可預(yù)測單板U型場地滑雪運(yùn)動員中樞疲勞的ANN通用模型(General 1和General 2,即G1和G2)和分組模型。ANN通用模型分別選取不同數(shù)量的變量,所有可能會影響單板U型場地滑雪運(yùn)動員中樞疲勞的16個主、客觀指標(biāo)均被選為預(yù)測模型G1的輸入變量,而G2中的輸入變量為14個與運(yùn)動員中樞疲勞相關(guān)的主、客觀指標(biāo)。

      此外,由于運(yùn)動員中樞疲勞受年齡、運(yùn)動等級和訓(xùn)練年限影響較大,本研究還據(jù)此構(gòu)建了相應(yīng)的ANN分組模型,即ANN年齡模型(Agel-3,即A1、A2和A3)、ANN運(yùn)動等級模型(Sport Gradel-3,即SGI、SG2和SG3)及ANN訓(xùn)練年限模型(Training Lengthl-3,即TLI、TL2和TL3)。上述模型的樣本分別分為低齡組(<18yrs組)、適齡組(18-22yrs組)和熟齡組(>23yrs組);國家一級、健將組和國際健將組;以及低年限組(<7yrs組)、中年限組(8-13yrs組)和高年限組(>14yrs組),ANN模型則分別命名為A1、A2、A3;SGI、SG2、SG3;和TLI、TL2、TL3,各模型參數(shù)見表3。

      在對上述ANN模型進(jìn)行數(shù)輪測試后,獲得的最優(yōu)網(wǎng)絡(luò)及其預(yù)測結(jié)果見表4。從中可見,在兩種通用ANN模型中,G1模型的預(yù)測結(jié)果與實際測試結(jié)果的相關(guān)系數(shù)僅為0.44,預(yù)測準(zhǔn)確度并不理想,而G2模型的預(yù)測結(jié)果較C1明顯好轉(zhuǎn),其相關(guān)系數(shù)為0.68,準(zhǔn)確度較好,可作為單板U型場地滑雪運(yùn)動員中樞疲勞的ANN通用預(yù)測模型。此外,研究還發(fā)現(xiàn),當(dāng)將樣本按相應(yīng)標(biāo)準(zhǔn)分組后,ANN年齡模型、ANN運(yùn)動等級模型和ANN訓(xùn)練年限模型的各組模型預(yù)測結(jié)果均較好,相關(guān)系數(shù)均達(dá)到0.70以上,預(yù)測效果好于通用模型,故可用于單板U型場地滑雪運(yùn)動員中樞疲勞的分組預(yù)測。

      3 結(jié)論

      14個主、客觀指標(biāo)變量與單板U型場地滑雪運(yùn)動員的中樞疲勞顯著相關(guān),2個不相關(guān)。在3層結(jié)構(gòu)(1個隱藏層)的ANN模型中,隱藏節(jié)點(diǎn)數(shù)、訓(xùn)練次數(shù)和訓(xùn)練函數(shù)分別在25、800和TRAINOSS時效果最優(yōu)。分別成功構(gòu)建了可預(yù)測訓(xùn)練場地環(huán)境綜合因素下運(yùn)動員中樞疲勞情況的ANN通用模型G2和分組模型A1、A2、A3;SG1、SG2、SG3;及TL1、TL2、TL3,并獲得了上述模型的最優(yōu)網(wǎng)絡(luò)參數(shù)及預(yù)測結(jié)果。

      猜你喜歡
      人工神經(jīng)網(wǎng)絡(luò)預(yù)測
      無可預(yù)測
      黃河之聲(2022年10期)2022-09-27 13:59:46
      選修2-2期中考試預(yù)測卷(A卷)
      選修2-2期中考試預(yù)測卷(B卷)
      選修2—2期中考試預(yù)測卷(A卷)
      利用人工神經(jīng)網(wǎng)絡(luò)快速計算木星系磁坐標(biāo)
      人工神經(jīng)網(wǎng)絡(luò)實現(xiàn)簡單字母的識別
      電子制作(2019年10期)2019-06-17 11:45:10
      滑動電接觸摩擦力的BP與RBF人工神經(jīng)網(wǎng)絡(luò)建模
      不可預(yù)測
      不必預(yù)測未來,只需把握現(xiàn)在
      人工神經(jīng)網(wǎng)絡(luò)和安時法電池SOC估計
      昆山市| 兴国县| 滕州市| 凯里市| 来宾市| 尚志市| 获嘉县| 盖州市| 宽城| 封开县| 库尔勒市| 大姚县| 安阳市| 南华县| 筠连县| 大名县| 青龙| 锦州市| 龙井市| 奉节县| 濉溪县| 扎鲁特旗| 卓尼县| 韶关市| 抚州市| 长子县| 德昌县| 铜陵市| 禄丰县| 玉树县| 崇仁县| 峨边| 三门峡市| 朔州市| 治县。| 读书| 新田县| 新竹县| 莱芜市| 白水县| 太原市|