柯繼芳

(黃岡職業(yè)技術(shù)學(xué)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(yùn)動員的體質(zhì),但同時運(yùn)動員的體形、技術(shù)特點(diǎn)、心理狀態(tài)及外界環(huán)境等都會在一定程度上影響運(yùn)動員的競技成績。傳統(tǒng)的預(yù)測方法雖然在一定程度上能夠利用運(yùn)動員個人的訓(xùn)練指標(biāo)對專項(xiàng)成績進(jìn)行預(yù)測,從而指導(dǎo)運(yùn)動員的日常訓(xùn)練,但是這些模型都有比較苛刻的條件限制和使用范圍。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,使用此模型往往會達(dá)到很好的預(yù)測效果。

1 研究對象與方法

選取部分國內(nèi)一流水平的跳遠(yuǎn)運(yùn)動員(國家健將)作為研究對象。

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,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)定的誤差時訓(xùn)練停止。(見圖1)。

圖1 BP神經(jīng)網(wǎng)絡(luò)計(jì)算流程圖

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

2.1 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,對于專項(xiàng)成績預(yù)測的影響系數(shù)也會不同。需要篩選出對運(yùn)動員專項(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)動員歷史數(shù)據(jù)信息,對跳遠(yuǎn)運(yùn)動員各素質(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(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)動員專項(xiàng)成績的預(yù)測因子。

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

2.2.1 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,給定任一連續(xù)函數(shù)f:[0,1]I→RJ,f可以精確地用一個三層BP神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn),此網(wǎng)絡(luò)的輸入層有I個神經(jīng)元,中間層有2I+1個神經(jīng)元。本研究選取5個與運(yùn)動員專項(xiàng)成績關(guān)系密切的預(yù)測因子,需要設(shè)定5個輸入神經(jīng)元,按照Kolmogorov定理,選用一個隱含層,設(shè)定其神經(jīng)元的個數(shù)為11個。輸出層為收錄的專項(xiàng)成績數(shù)據(jù)。

2.2.2 網(wǎng)絡(luò)的學(xué)習(xí)

由于BP神經(jīng)網(wǎng)絡(luò)模型對(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:

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(shù)據(jù)輸入BP神經(jīng)網(wǎng)絡(luò),對訓(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)對跳遠(yuǎn)用動員專項(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BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)訓(xùn)練學(xué)習(xí)。

表1 素質(zhì)訓(xùn)練指標(biāo)與跳遠(yuǎn)專項(xiàng)成績之間的相關(guān)系數(shù)

表2 預(yù)測模型的擬和精度

2.2.3 BP神經(jīng)網(wǎng)絡(luò)模型的結(jié)果

選擇跳遠(yuǎn)運(yùn)動員2008～2009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。2008～2009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,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(jì)算得出2008～2009年運(yùn)動員的專項(xiàng)成績預(yù)測值。(見表2)。

由表2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(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)動員專項(xiàng)成績的預(yù)測。

3 結(jié)語

本文提出的基于BP神經(jīng)網(wǎng)絡(luò)的跳遠(yuǎn)運(yùn)動員專項(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)動員安排合理科學(xué)的訓(xùn)練計(jì)劃和運(yùn)動員的選材提供依據(jù),值得進(jìn)一步探討和研究。

[1] 徐向軍.對青少年田徑運(yùn)動員運(yùn)動能力發(fā)展的影響因素探討[J].首都體育學(xué)院學(xué)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(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.