馬德 李少聰 張軍峰

摘 要： 針對傳統(tǒng)運(yùn)動(dòng)員專項(xiàng)成績預(yù)測系統(tǒng)一直存在無法達(dá)到實(shí)質(zhì)性的綜合預(yù)測的問題，提出并設(shè)計(jì)基于混合遺傳神經(jīng)網(wǎng)絡(luò)的運(yùn)動(dòng)員專項(xiàng)成績預(yù)測系統(tǒng)。通過混合遺傳神經(jīng)網(wǎng)絡(luò)，導(dǎo)入運(yùn)動(dòng)員專項(xiàng)數(shù)據(jù)，根據(jù)系統(tǒng)內(nèi)部節(jié)點(diǎn)間調(diào)整，對運(yùn)動(dòng)員專項(xiàng)數(shù)據(jù)信息進(jìn)行處理，建立專項(xiàng)成績灰色預(yù)測模型，實(shí)現(xiàn)運(yùn)動(dòng)員專項(xiàng)成績預(yù)測。實(shí)驗(yàn)數(shù)據(jù)表明，所設(shè)計(jì)的成績預(yù)測系統(tǒng)能夠進(jìn)行高精度的專項(xiàng)成績預(yù)測。

關(guān)鍵詞： 綜合預(yù)測； 混合遺傳神經(jīng)網(wǎng)絡(luò)； 運(yùn)動(dòng)員； 專項(xiàng)成績預(yù)測； 系統(tǒng)設(shè)計(jì)； 灰色預(yù)測模型

中圖分類號： TN711?34； TP393 文獻(xiàn)標(biāo)識碼： A 文章編號： 1004?373X（2018）08?0183?04

Abstract： In allusion to the problem that the traditional special performance prediction system for athletes has been unable to achieve substantive comprehensive prediction， a special performance prediction system for athletes based on hybrid genetic neural network is proposed and designed. Athletes′ special data is imported by means of hybrid genetic neural network. According to the internal node adjustment of system， athletes′ special data information is processed to establish special performance grey prediction model and achieve athletes′ special performance prediction. The experimental data show that the designed performance prediction system can carry out high?precision special performance prediction.

Keywords： comprehensive prediction； hybrid genetic neural network； athlete； special performance prediction； system design； gray prediction model

0 引 言

混合遺傳神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks）也可稱作連接模型（Connection Model），其是通過模仿動(dòng)物神經(jīng)網(wǎng)絡(luò)行為反射過程，以分布式并行的方式，進(jìn)行信息處理的高級模型[1]。而專項(xiàng)運(yùn)動(dòng)員的成績存在一定的波動(dòng)變化，隨著訓(xùn)練、受傷、狀態(tài)等因素變化對專項(xiàng)成績影響比較顯著。針對專項(xiàng)運(yùn)動(dòng)員的成績進(jìn)行有效的預(yù)測，對賽事安排有很大的輔助作用。傳統(tǒng)運(yùn)動(dòng)員專項(xiàng)成績預(yù)測系統(tǒng)能進(jìn)行粗略的成績預(yù)測，無法實(shí)現(xiàn)多維度的成績綜合預(yù)測。由于能夠影響動(dòng)員專項(xiàng)成績的信息比較雜亂，所以每項(xiàng)因素都會對最終成績產(chǎn)生徹底性的顛覆。

針對上述背景，本文設(shè)計(jì)基于混合遺傳神經(jīng)網(wǎng)絡(luò)的運(yùn)動(dòng)員專項(xiàng)成績預(yù)測系統(tǒng)。引入混合遺傳神經(jīng)網(wǎng)絡(luò)，建立完整灰色預(yù)測模型，將混合遺傳神經(jīng)網(wǎng)絡(luò)處理的信息進(jìn)行預(yù)測，實(shí)現(xiàn)對運(yùn)動(dòng)員專項(xiàng)成績預(yù)測效果。

1 導(dǎo)入混合遺傳神經(jīng)網(wǎng)絡(luò)

本文引入混合遺傳神經(jīng)網(wǎng)絡(luò)，對運(yùn)動(dòng)員專項(xiàng)成績進(jìn)行原始數(shù)據(jù)處理。數(shù)據(jù)處理過程中，利用數(shù)據(jù)的結(jié)構(gòu)優(yōu)勢，將原始數(shù)據(jù)中無法關(guān)聯(lián)的數(shù)據(jù)并聯(lián)處理[2]。為預(yù)測過程中提供精準(zhǔn)的參照數(shù)據(jù)以及使用屬性。結(jié)構(gòu)復(fù)雜程度越高，對原始數(shù)據(jù)處理能力就越強(qiáng)。本文設(shè)計(jì)的混合遺傳神經(jīng)網(wǎng)絡(luò)對原始數(shù)據(jù)的處理流程如圖1所示。

混合遺傳神經(jīng)網(wǎng)絡(luò)建立在人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上[3]?；旌线z傳神經(jīng)網(wǎng)絡(luò)能夠?qū)⒍嘣厍蠼鈫栴}進(jìn)行轉(zhuǎn)變，使用的原始數(shù)據(jù)可以近似地看成是“關(guān)聯(lián)體”，并建立“關(guān)聯(lián)體”的模式集群，將這些原始數(shù)據(jù)置于某一特定“環(huán)境”中，根據(jù) “能量梯度公式”的使用原則，從模型中選擇能夠在環(huán)境中適應(yīng)的原始數(shù)據(jù)[4]，將選定的原始數(shù)據(jù)進(jìn)行交叉、復(fù)制以及提取等方式，進(jìn)行表達(dá)屬性提取，利用混合遺傳神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)傳遞到指定的運(yùn)行機(jī)制中。本文設(shè)計(jì)的混合遺傳神經(jīng)網(wǎng)絡(luò)使用GA?BP算法進(jìn)行原始數(shù)據(jù)的屬性提取。GA?BP算法首先利用混合遺傳神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行非關(guān)聯(lián)原始因素的剝離，本文使用混合遺傳神經(jīng)網(wǎng)絡(luò)的層次結(jié)構(gòu)比較簡單，原因是承載力的不足會極大地影響預(yù)測過程[5]。本文在節(jié)點(diǎn)設(shè)置上采用高位節(jié)點(diǎn)并行，低位節(jié)點(diǎn)共用的方式。這樣能夠?qū)⒃嫉倪\(yùn)動(dòng)員專項(xiàng)成績以及相關(guān)的數(shù)據(jù)進(jìn)行分配，通過對分配的環(huán)境進(jìn)行限制，將影響程度分為：初級、次級、高級、終級。本文將高位節(jié)點(diǎn)分析出的關(guān)聯(lián)屬性，以神經(jīng)網(wǎng)絡(luò)源的形式傳遞到低位節(jié)點(diǎn)上，傳遞過程中摒棄原有的復(fù)雜關(guān)系，進(jìn)行屬相間的假體以及置換[6]。交替過程中將原有的承接屬性轉(zhuǎn)變，根據(jù)影響能力進(jìn)行排序，先交換的為必然因素，需要通過每一低位節(jié)點(diǎn)進(jìn)行屬性提取，以此類推，最后進(jìn)行的是非關(guān)聯(lián)性數(shù)據(jù)，經(jīng)過所有的數(shù)據(jù)傳遞后，便可進(jìn)行GA?BP計(jì)算。

本文進(jìn)行GA?BP計(jì)算，是將節(jié)點(diǎn)分析的數(shù)據(jù)進(jìn)行提取，為下步預(yù)測過程做準(zhǔn)備。GA?BP計(jì)算利用減法的形式，將多余屬性進(jìn)行排除，留下的屬性數(shù)據(jù)為可以用預(yù)測數(shù)據(jù)。使用關(guān)聯(lián)執(zhí)行屬性表達(dá)關(guān)聯(lián)能力，通過查閱文獻(xiàn)本文的關(guān)聯(lián)能力系數(shù)在3～6之間，通過原始數(shù)據(jù)屬性確認(rèn)節(jié)點(diǎn)處理過后屬性。表1為本文GA?BP算法與混合遺傳神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)相關(guān)提取數(shù)據(jù)。

經(jīng)過上述過程，完成運(yùn)動(dòng)員專項(xiàng)成績預(yù)測的數(shù)據(jù)準(zhǔn)備工作。

2 灰色預(yù)測模型

本文使用灰色模型進(jìn)行運(yùn)動(dòng)員專項(xiàng)成績預(yù)測?；疑Ｐ停℅ray Model即為GM（1，1）），由于灰色模型具有單數(shù)列預(yù)測的特點(diǎn)，因此只能使用被預(yù)測對象的自身影響因素，作為建立模型的基礎(chǔ)[9?10]。通過提供的相關(guān)數(shù)列以及屬性，直接將非關(guān)聯(lián)數(shù)據(jù)變?yōu)閰⒖紨?shù)據(jù)。由于存在事件的越級性，因此非關(guān)聯(lián)數(shù)據(jù)不能被完全摒棄。將眾多隱藏的、直接的、間接的已知因素進(jìn)行多維度的排列，將每一條影響因素都看作是一個(gè)灰色信息的信息矢量，通過建立的模型進(jìn)行各種條件的序列搭配，以此來完成對運(yùn)動(dòng)員專項(xiàng)成績的預(yù)測。

本文為弱化非關(guān)聯(lián)數(shù)據(jù)的隨機(jī)性，建立灰色預(yù)測模型過程中，進(jìn)行累加或者累減方式處理預(yù)測數(shù)據(jù)，方便得到預(yù)測生成列。本文選用累加的形式，表示預(yù)測初級參量，通過預(yù)測參量結(jié)果，直接確定關(guān)聯(lián)和間接關(guān)聯(lián)屬性，其中每一個(gè)非關(guān)聯(lián)數(shù)據(jù)自身都是一個(gè)數(shù)據(jù)集合。經(jīng)過上述多次累加，若關(guān)聯(lián)屬性累加的次數(shù)越多，生成的灰色預(yù)測模型預(yù)測能力越強(qiáng)，當(dāng)累加次數(shù)足夠多時(shí)，非關(guān)聯(lián)性數(shù)據(jù)已經(jīng)不能對其影響[11]。此時(shí)，計(jì)算的累加結(jié)果便是想要的預(yù)測結(jié)果。預(yù)測模型將原始影響因素前后兩個(gè)數(shù)據(jù)相減，得到預(yù)測生成序列。本文將對應(yīng)于原始影響因素進(jìn)行置換，便可以得到預(yù)測結(jié)果。同時(shí)灰色預(yù)測模型建立完成。

3 實(shí)驗(yàn)分析

為了驗(yàn)證設(shè)計(jì)的基于混合遺傳神經(jīng)網(wǎng)絡(luò)的運(yùn)動(dòng)員專項(xiàng)成績預(yù)測系統(tǒng)的有效性，設(shè)計(jì)模擬仿真試驗(yàn)，試驗(yàn)過程中，使用傳統(tǒng)運(yùn)動(dòng)員專項(xiàng)成績預(yù)測系統(tǒng)與本文設(shè)計(jì)的系統(tǒng)相比較。實(shí)驗(yàn)數(shù)據(jù)的選擇上使用隨機(jī)組合的形式，方便檢測系統(tǒng)的實(shí)際適用性以及有效性。為了保證實(shí)驗(yàn)的可行性，需要對實(shí)驗(yàn)參數(shù)進(jìn)行設(shè)置。

3.1 實(shí)驗(yàn)參數(shù)設(shè)計(jì)

本文設(shè)計(jì)的試驗(yàn)針對系統(tǒng)進(jìn)行測試，專項(xiàng)運(yùn)動(dòng)員的有效成績是已知的參量，設(shè)計(jì)的系統(tǒng)對專項(xiàng)成績進(jìn)行預(yù)測。實(shí)驗(yàn)過程中，使用一定的不可控變量進(jìn)行實(shí)驗(yàn)，因此需要對試驗(yàn)數(shù)據(jù)進(jìn)行設(shè)定。設(shè)置結(jié)果如表2所示，原始試驗(yàn)數(shù)據(jù)如表3所示。

由圖2可知，預(yù)測數(shù)據(jù)的幅度能夠反映預(yù)測系統(tǒng)的相對預(yù)測精度，使用數(shù)據(jù)越多說明預(yù)測過程中的參照比越大，預(yù)測結(jié)果越精確。從圖2中可以看出，在數(shù)據(jù)浮動(dòng)率上，本文設(shè)計(jì)的預(yù)測系統(tǒng)明顯好于傳統(tǒng)預(yù)測系統(tǒng)，并且明顯地高于傳統(tǒng)系統(tǒng)。負(fù)參比實(shí)際上是非有效數(shù)據(jù)的排除能力，為此可以看出，本文設(shè)計(jì)的預(yù)測系統(tǒng)能夠排除較多的非有效數(shù)據(jù)。

圖3為YLF預(yù)測嫻度，YLF預(yù)測嫻度能夠反映預(yù)測的精準(zhǔn)度。圖3b）為本文設(shè)計(jì)的預(yù)測系統(tǒng)，可以看出本文預(yù)測系統(tǒng)的預(yù)測點(diǎn)明顯多于傳統(tǒng)方法，在可信度上與預(yù)測精準(zhǔn)度上都明顯地高于傳統(tǒng)預(yù)測系統(tǒng)。

4 結(jié) 語

本文設(shè)計(jì)一款基于混合遺傳神經(jīng)網(wǎng)絡(luò)的運(yùn)動(dòng)員專項(xiàng)成績預(yù)測系統(tǒng)。導(dǎo)入混合遺傳神經(jīng)網(wǎng)絡(luò)，依靠系統(tǒng)的復(fù)雜程度以及調(diào)整內(nèi)部節(jié)點(diǎn)之間相互關(guān)系對數(shù)據(jù)信息進(jìn)行處理，建立灰色預(yù)測模型，完成運(yùn)動(dòng)員專項(xiàng)成績預(yù)測。希望通過本文的研究能夠提升對運(yùn)動(dòng)員專項(xiàng)成績的預(yù)測能力。

參考文獻(xiàn)

[1] 王小鳳，高攀科，王進(jìn)璽.基于混合遺傳神經(jīng)網(wǎng)絡(luò)的高速公路瀝青路面使用性能評價(jià)方法研究[J].公路工程，2017，42（4）：219?222.

WANG Xiaofeng， GAO Panke， WANG Jinxi. Study on evaluation method of expressway asphalt pavement performance based on hybrid genetic neural network [J]. Highway engineering， 2017， 42（4）： 219?222.

[2] 鄧定勝.基于混合遺傳算法和神經(jīng)網(wǎng)絡(luò)的軟硬件劃分算法[J].西南師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2015，40（10）：29?34.

DENG Dingsheng. On hardware/software partitioning algorithm based on genetic algorithm and neural network hybrid [J]. Journal of Southwest China Normal University （Natural science edition）， 2015， 40（10）： 29?34.

[3] 紀(jì)華偉，劉毛娜，胡小平.基于混合遺傳算法的磁控形狀記憶合金驅(qū)動(dòng)器磁滯模型優(yōu)化[J].中國機(jī)械工程，2015，26（4）：508?512.

JI Huawei， LIU Maona， HU Xiaoping. Optimization of MSMA actuator hysteresis model based on hybrid GA [J]. China mechanical engineering， 2015， 26（4）： 508?512.

[4] 楊建國，熊經(jīng)緯，徐蘭，等.應(yīng)用混合種群遺傳神經(jīng)網(wǎng)絡(luò)的精梳毛紡工藝參數(shù)反演模型[J].紡織學(xué)報(bào)，2016，37（7）：149?154.

YANG Jianguo， XIONG Jingwei， XU Lan， et al. Worsted spinning process parameters inversion model using mixed population genetic neural network [J]. Journal of textile research， 2016， 37（7）： 149?154.

[5] 吳俊偉，姜春茂.一種BP神經(jīng)網(wǎng)絡(luò)和遺傳算法混合的云平臺負(fù)載預(yù)測方法[J].軟件，2017，38（8）：18?24.

WU Junwei， JIANG Chunmao. A load forecasting method of cloud platform based on BP neural network and genetic algorithm[J]. Computer engineering &； software， 2017， 38（8）： 18?24.

[6] 孫麗.基于遺傳算法BP神經(jīng)網(wǎng)絡(luò)的多目標(biāo)優(yōu)化方法[J].激光雜志，2016，37（8）：123?128.

SUN Li. Genetic algorithm and BP neural network based multi?objective optimization [J]. Laser journal， 2016， 37（8）： 123?128.

[7] 馮國奇，崔東亮，張亞軍，等.樣本視角下面向復(fù)雜產(chǎn)品多目標(biāo)優(yōu)化設(shè)計(jì)的混合人工神經(jīng)網(wǎng)絡(luò)：遺傳算法技術(shù)[J].計(jì)算機(jī)集成制造系統(tǒng)，2016，22（6）：1403?1414.

FENG Guoqi， CUI Dongliang， ZHANG Yajun， et al. Hybrid NN?GA framework for multi?objective optimization of complex products design from perspective of sample management [J]. Computer integrated manufacturing systems， 2016， 22（6）： 1403?1414.

[8] 周濤，陸惠玲，張艷寧，等.基于Rough Set的高維特征選擇混合遺傳算法研究[J].南京大學(xué)學(xué)報(bào)（自然科學(xué)版），2015，51（4）：880?893.

ZHOU Tao， LU Huiling， ZHANG Yanning， et al. A new hybrid genetic algorithm for high dimension feature selection based on rough set [J]. Journal of Nanjing University （Natural sciences）， 2015， 51（4）： 880?893.

[9] 王芳，楊虎山.基于LM算法和遺傳算法求解非線性方程組[J].忻州師范學(xué)院學(xué)報(bào)，2016，32（5）：19?21.

WANG Fang， YANG Hushan. Based on the LM algorithm and genetic algorithm for solving non?linear equations [J]. Journal of Xinzhou Teachers University， 2016， 32（5）： 19?21.

[10] ZHANG Y， XU J R， FU X H， et al. Hybrid algorithm combining genetic algorithm with back propagation neural network for extracting the characteristics of multi?peak Brillouin scattering spectrum [J]. Frontiers of optoelectronics， 2017， 10（1）： 62?69.

[11] HONG G. Research on the hybrid algorithm on the basis of BP neural network and the improved genetic algorithm [J]. Open automation &； control systems journal， 2015， 7（1）： 1094?1099.