王琛

（同濟(jì)大學(xué)電子與信息工程學(xué)院，上海 201804）

基于BP神經(jīng)網(wǎng)絡(luò)的乒乓球技戰(zhàn)術(shù)分析系統(tǒng)

王琛

（同濟(jì)大學(xué)電子與信息工程學(xué)院，上海 201804）

傳統(tǒng)乒乓球技戰(zhàn)術(shù)分析一般基于各項(xiàng)技戰(zhàn)術(shù)統(tǒng)計(jì)數(shù)據(jù)。針對基礎(chǔ)數(shù)據(jù)缺少進(jìn)一步分析的特點(diǎn)，提出一個以神經(jīng)網(wǎng)絡(luò)模型為基礎(chǔ)的乒乓球技戰(zhàn)術(shù)分析系統(tǒng)。對采集的原始數(shù)據(jù)進(jìn)行篩選、處理、獲得技戰(zhàn)術(shù)得分率與使用率，以此作為輸入數(shù)據(jù)，建立三層BP神經(jīng)網(wǎng)絡(luò)模型，對輸入數(shù)據(jù)依次進(jìn)行擾動，通過輸出預(yù)測得到對比賽結(jié)果影響較大的技戰(zhàn)術(shù)指標(biāo)。

人工神經(jīng)網(wǎng)絡(luò)；三層BP模型；技戰(zhàn)術(shù)預(yù)測

0 引言

乒乓球運(yùn)動是全世界范圍內(nèi)最受歡迎的隔網(wǎng)對抗運(yùn)動項(xiàng)目之一。其特點(diǎn)是門檻低、對不同年齡段的人群都有較高的參與度。但是，如同絕大多數(shù)其他隔網(wǎng)運(yùn)動一樣，對高水平運(yùn)動員之間的技戰(zhàn)術(shù)要求較高。作為傳統(tǒng)的奧運(yùn)會比賽項(xiàng)目，技戰(zhàn)術(shù)是制勝的核心因素，各國對乒乓球比賽技戰(zhàn)術(shù)分析領(lǐng)域的理論研究與應(yīng)用也非常廣泛。

乒乓球技戰(zhàn)術(shù)分析主要分為兩類，一類是基于傳統(tǒng)的描述性的統(tǒng)計(jì)分析，由于其指標(biāo)簡單，便于運(yùn)動員、教練員理解。目前傳統(tǒng)乒乓球技戰(zhàn)術(shù)分析較多，缺少對基礎(chǔ)數(shù)據(jù)的進(jìn)一步的分析[1]。

另一類是利用現(xiàn)代計(jì)算機(jī)算法，如人工神經(jīng)網(wǎng)絡(luò)、數(shù)據(jù)挖掘、決策樹、粗糙及理論等人工智能技術(shù)對乒乓球比賽進(jìn)行技戰(zhàn)術(shù)分析[2]。

人工神經(jīng)網(wǎng)絡(luò)以其處理樣本大、指標(biāo)多呈現(xiàn)強(qiáng)大的優(yōu)勢及其所具有的自學(xué)習(xí)能力而有著廣泛應(yīng)用[3]。本文開發(fā)了一個以神經(jīng)網(wǎng)絡(luò)模型為基礎(chǔ)的乒乓球技戰(zhàn)術(shù)分析系統(tǒng)，利用人工神經(jīng)網(wǎng)絡(luò)強(qiáng)大的自學(xué)習(xí)功能建立了乒乓球比賽技戰(zhàn)術(shù)診斷模型幫助教練員、運(yùn)動員制定有效的戰(zhàn)略戰(zhàn)術(shù)。對采集的原始數(shù)據(jù)進(jìn)行篩選、處理、獲得技戰(zhàn)術(shù)得分率與使用率，以此作為輸入數(shù)據(jù)，建立三層BP神經(jīng)網(wǎng)絡(luò)模型，對輸入數(shù)據(jù)依次進(jìn)行擾動，通過輸出預(yù)測得到對比賽結(jié)果影響較大的技戰(zhàn)術(shù)指標(biāo)[4]。

1 神經(jīng)網(wǎng)絡(luò)建模

1.1 模型基礎(chǔ)

圖1

人工神經(jīng)網(wǎng)絡(luò)是一種仿生學(xué)設(shè)計(jì)，神經(jīng)網(wǎng)絡(luò)是解決非線性復(fù)雜問題強(qiáng)有力的工具，是一種模仿生物神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和功能的模型，常用來對輸入輸出間的復(fù)雜關(guān)系進(jìn)行建模研究[5]。

BP神經(jīng)網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入-輸出模式映射關(guān)系，而無需事先揭示描述這種映射關(guān)系的數(shù)學(xué)方程。它的學(xué)習(xí)規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小[6]。BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層（input layer）、隱層（hidden layer）和輸出層（output layer），采用3層BP（Back-Propogation）模型。其中輸入層節(jié)點(diǎn)個數(shù)為24，隱含層節(jié)點(diǎn)個數(shù)為31。

（1）輸入?yún)?shù)

傳統(tǒng)的乒乓球比賽技戰(zhàn)術(shù)主要分為擊球技術(shù)、旋轉(zhuǎn)類型、擊球位置等。其中，擊球技術(shù)包含“發(fā)球”、“弧圈”、“快攻”、“扣殺”、“挑打”、“劈長”、“擺短”、“擋球”、“削球”、“吊球”、“放高球”等。旋轉(zhuǎn)類型又包含“強(qiáng)上旋”、“中上旋”、“不旋轉(zhuǎn)”、“中下旋”、“強(qiáng)下旋”等。

對于可能存在的某項(xiàng)技術(shù)得分率較高而使用率較低這一實(shí)際問題，綜合采用得分率和使用率兩個角度來研究。

乒乓球作為隔網(wǎng)運(yùn)動，關(guān)注來回球之間的關(guān)系，因此本文重點(diǎn)選取了來回球中24組技戰(zhàn)術(shù)的得分率和使用率作為指標(biāo)參數(shù)，作為神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)。

具體的輸入?yún)?shù)的選取如下：

表1

（2）輸出參數(shù)

單打比賽以單人技戰(zhàn)術(shù)進(jìn)行統(tǒng)計(jì)，雙打比賽以綜合兩人技戰(zhàn)術(shù)進(jìn)行統(tǒng)計(jì)。對于選取的24項(xiàng)輸入項(xiàng)依次進(jìn)行擾動，得到24個模擬后輸出的預(yù)測值。

（3）模型使用算法

其中輸入層層數(shù)為1層，隱含層層數(shù)為1層，輸出層層數(shù)為1層。

其中輸入層與隱含層神經(jīng)元之間的傳遞函數(shù)取非線性的S函數(shù)tansig（n），輸出層神經(jīng)元與隱含層神經(jīng)元之間的傳遞函數(shù)取線性函數(shù)purelin（n）（也即f（x）= x）。

為了使模型具有較快的收斂速度和較高的穩(wěn)定性，采用了gradient-descent back propogation梯度下降反向傳播算法。

1.2 模型預(yù)測

確定已建好的神經(jīng)網(wǎng)絡(luò)診斷模型精度，運(yùn)用該模型模擬隊(duì)員的實(shí)際比賽過程。通過該模型改變各項(xiàng)組合指標(biāo)值，重新計(jì)算獲勝率，將錯誤率控制在1%之內(nèi)。從而得到這些組合技術(shù)指標(biāo)影響比賽獲勝的權(quán)重值。

2 數(shù)據(jù)分析方法

根據(jù)組合技術(shù)指標(biāo)增量計(jì)算公式，分24次依次擾動某一項(xiàng)技戰(zhàn)術(shù)的指標(biāo)值，同時(shí)保持其他輸入指標(biāo)值不變，將其輸入神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型中，重新計(jì)算比賽獲勝概率的仿真值。計(jì)算得到的仿真值與真實(shí)比賽獲勝概率之值為該項(xiàng)技戰(zhàn)術(shù)的權(quán)重值，其絕對值越大，表明該項(xiàng)技戰(zhàn)術(shù)指標(biāo)對比賽獲勝概率的影響就越大。計(jì)算擾動值的公式如下：

公式用來計(jì)算提高或減少某一項(xiàng)技戰(zhàn)術(shù)指標(biāo)值的幅度，其中X是技戰(zhàn)術(shù)統(tǒng)計(jì)指標(biāo)值，Z是擾動值。為了保證輸入值的合法性，當(dāng)擾動值小于0.5，則輸入值A(chǔ)= X+Z；當(dāng)擾動值大于0.5，則輸入值A(chǔ)=X-Z。

3 實(shí)驗(yàn)結(jié)果

應(yīng)用診斷模型對郭躍vs.李佳薇的單打比賽（以2007年3月25日公開賽）為例，對各項(xiàng)技戰(zhàn)術(shù)進(jìn)行擾動后的預(yù)測結(jié)果如下（數(shù)據(jù)經(jīng)*10^10等比放大）：

圖2 郭躍預(yù)測結(jié)果

通過預(yù)測，對于運(yùn)動員郭躍，為了提高比賽獲勝概率，可以重點(diǎn)關(guān)注以下三項(xiàng)技戰(zhàn)術(shù)的效率:接發(fā)球得分率、挑打-弧圈得分率、發(fā)球-劈長使用率。

4 結(jié)語

對于一場已經(jīng)完成的比賽,建立3層BP模型，對乒乓球比賽統(tǒng)計(jì)數(shù)據(jù)進(jìn)行技戰(zhàn)術(shù)分析,依次選取24項(xiàng)關(guān)注的技戰(zhàn)術(shù)輸入指標(biāo)進(jìn)行擾動,通過神經(jīng)網(wǎng)絡(luò)模型輸出擾動后的預(yù)測結(jié)果，即各項(xiàng)技戰(zhàn)術(shù)指標(biāo)對比賽獲勝概率影響程度的排序,研究結(jié)果可為乒乓球比賽運(yùn)動員和教練員提供理論參考。

[1] 徐君偉,孫荑茜,唐建軍,等.我國乒乓球技戰(zhàn)術(shù)分析理論與方法的研究熱點(diǎn)與展望[J].南京體育學(xué)院學(xué)報(bào),2014.13（4）:11～16

[2] 肖毅,張輝.中國乒乓球隊(duì)奧運(yùn)攻關(guān)研究報(bào)告——基于人工神經(jīng)網(wǎng)絡(luò)的乒乓球比賽診斷模型研究[J].體育科研,2008，29（6）:19～22

[3] 王學(xué)武,譚得健.神經(jīng)網(wǎng)絡(luò)的應(yīng)用與發(fā)展趨勢[J].計(jì)算機(jī)工程與應(yīng)用,2003，39（3）:98～100,113

[4] 虞麗娟,張輝,凌培亮等.乒乓球比賽技戰(zhàn)術(shù)分析的系統(tǒng)研究與應(yīng)用[J].上海體育學(xué)院學(xué)報(bào),2008，32（6）:39～43

[5] Daichi Hasumi,Eiji Kamioka.A Considerate Application Prediction System with Artificial Neural Network,Procedia Computer Science [J]，2014.35:1547～1556

[6] Mark Pfeiffer,Andreas Hohmann.Applications of Neural Networks in Training Science.Human Movement Science[J],31（2）:344～359

[7] 王永梅,張輝.基于人工神經(jīng)網(wǎng)絡(luò)的乒乓球技戰(zhàn)術(shù)分析與診斷模型研究[C].第8屆全國體育科學(xué)大會論文集,2007

A Table Tennis Technicaland Tactical Analysis System Based on Back-Propagation Artifical Neural Network

WANG Chen
（Department of Electronic and Information Engineering,Tongji University,Shanghai 201804）

The traditional table tennis technical and tactical analysis is based on the various technical and tactical statistics,lacking further analysis of primary data.Develops a table tennis technical and tactical analysis system based on themodel of artifical neural netowork.The system filters and dealswith the primary data to obtain the technical and tactical usage rate and scoring rate as the input data for the three-tier back-propogation artifcal neural network model.Then implements a disturbance on each item of the input data to get the result of the most influencing estimated data to guide table tennis games.

Artificial Neural Network;Three-Tier Back-Propagation Model;Technical and Tactical Prediction

1007-1423（2015）07-0006-03

10.3969/j.issn.1007-1423.2015.07.002

王?。?990-），男，上海人，在讀碩士研究生，研究方向?yàn)樯窠?jīng)網(wǎng)絡(luò)

2015-02-15

2015-03-01