尚譚偉

摘 要： 針對當前運動員成績預測精度低的難題，提出捕魚算法優(yōu)化極限學習機的運動員成績預測模型。收集運動員成績的時間序列，進行聚類分析建立學習樣本，采用極限學習機對學習樣本進行訓練，并采用捕魚算法對極限學習進行優(yōu)化，建立運動員成績預測模型，最后采用具體數據對運動員成績預測性能進行測試。測試結果表明，該模型可以準確擬合運動員成績的變化特點，獲得了較高精度的運動員成績預測結果，而且預測結果要顯著優(yōu)于其他模型，具有較高的實際應用價值。

關鍵詞： 捕魚算法； 極限學習機； 運動員成績； 預測模型

中圖分類號： TN911.1?34； TP311 文獻標識碼： A 文章編號： 1004?373X（2017）15?0097?04

Abstract： Since the athlete performance prediction accuracy is low， an athlete performance prediction model based on fishing algorithm optimizing extreme learning machine is put forward. The time sequence of the athlete performance is collected to perform the clustering analysis to establish the learning sample. The extreme learning machine is used to train the learning sample. The fishing algorithm is adopted to optimize the extreme learning to establish the athlete performance prediction model. The specific data is used to test the prediction performance of athletes result. The results show that the model can fit the change characteristics of athletes performance accurately， its prediction result is better than that of other models， and has high practical application value.

Keywords： fishing algorithm； extreme learning machine； athlete performance； prediction model

0 引 言

運動員成績可以準確描述運動員生理和競技狀態(tài)，直接影響運動水平的發(fā)揮，對運動員成績建立預測模型，對他們將來的成績進行預測，有利于科學分析運動員的生理和技術特點，合理制定運動員的訓練規(guī)劃，提高運動員成績[1?3]。

運動員成績預測問題受到人們的高度關注，當前有許多類型的運動員成績預測模型[4]。通常情況下，首先采集運動員成績的歷史數據，并對歷史數據進行預處理，如聚類分析等，然后采用一定方法對運動員成績數據進行建模分析，構建相應的運動員成績預測模型，預測方法目前很多，如灰色模型、隱馬爾可夫模型、神經網絡等[5?7]，其中灰色模型的可操作性差，隱馬爾可夫模型的通用性差，而神經網絡具有良好的非線性擬合能力，可以對運動員成績進行有效描述，成為運動員成績預測中應用最為廣泛的一種。在實際應用中，傳統神經網絡的學習效率低，迭代次數多，對運動員成績的建模效率產生了不良影響[8]。極限學習機是一種新型的神經網絡，較好地解決了傳統神經網絡結構復雜、學習時間長的缺陷，為運動員成績預測建模提供了一種新的研究工具。

為了提高運動員成績的預測精度，提出捕魚算法優(yōu)化極限學習機的運動員成績預測模型。首先對運動員成績的時間序列進行聚類分析，然后采用極限學習機對學習樣本進行訓練，并采用捕魚算法對極限學習進行優(yōu)化，建立運動員成績預測模型，最后測試結果表明，該模型獲得了較高精度的運動員成績預測結果，而且預測結果要顯著優(yōu)于其他模型。

1 運動員成績的聚類分析

每一個運動員成績的歷史樣本很多，為了加快運動員成績的建模速度，首先對運動員成績歷史樣本進行聚類分析，選擇與前期運動員成績數據樣本有關系的樣本進行學習，減少訓練樣本的數量，簡化模型結構，本文采用模糊C均值算法對運動員成績進行預處理。

模糊C均值算法根據隸屬度來描述數據點所歸屬的類別，設原始運動員成績共有類，即，采用模糊隸屬矩陣描述類別之間的聯系，為第點屬于類的隸屬度，而且滿足如下條件：

2 極限學習機和捕魚算法

2.1 極限學習機

設訓練樣本為極限學習機的回歸約束條件為：

2.2 捕魚算法

捕魚算法是一種隨機優(yōu)化算法，模擬漁夫捕魚行為，在一個打魚區(qū)域有多個漁夫，設第人漁夫的初次撒網位置為，采用描述魚密度的評價函數，該漁夫下一次撒網的點集為：

（1） 如果滿足條件，同時符合那么表示新位置的魚密度更高，此時漁夫就移動到然后以為起點，進行下一次撒網位置點的搜索，不斷重復該過程，漁夫最后在該區(qū)域搜索到一個最優(yōu)撒網點。

（2） 漁夫經過次移動后，達到了位置：如果滿足條件：，此時漁夫就確定在處進行撒網，產生一個撒網點集：

（3） 不停進行位置移動后，漁夫最優(yōu)位置為，且滿足如下條件：

式中表示一個常數[10]。

3 捕魚算法優(yōu)化極限學習機的運動員成績預測模型

（1） 收集運動員成績的時間序列，對其進行歸一化處理，具體如下：

（2） 對歸一化后的運動員成績進行聚類分析，減少訓練樣本的數量。

（3） 將聚類分析的樣本劃分為訓練集和測試集。

（4） 極限學習機對訓練集進行訓練，并采用捕魚算法對極限學習進行優(yōu)化，建立運動員成績預測模型。

（5） 采用測試集對運動員成績預測模型的性能進行測試。

4 運動員成績的預測實例

4.1 數據來源

選擇某運動員的100 m跑成績作為實驗對象，歷史數據分布如圖1所示，選擇100個數據作為訓練樣本建立運動員成績預測模型，其余150個數據作為測試數據。

4.2 結果與分析

4.2.1 本文模型的擬合和預測性能分析

采用建立好的運動員成績預測模型對100個訓練樣本進行擬合，得到的結果如圖2所示。對圖2進行分析可知，本文模型的擬合精度很高，超過了90%，可以有效擬合運動員成績的變化特點。

一個運動員成績預測模型的擬合性能很重要，泛化能力更重要，對50個測試樣本的預測結果進行統計，結果如圖3所示。從圖3可知，本文可以很好地對運動員成績進行準確預測，泛化能力強，主要是由于本文模型綜合了捕魚算法和極限學習機的優(yōu)點，同時，對樣本進行了聚類分析，建立了精度高的運動員成績模型。

4.2.2 對其他運動員成績的預測結果

為了分析捕魚算法優(yōu)化極限學習機的運動員成績預測的通用性，采用多個類型的運動員進行測試，它們的擬合和預測精度如表1所示。從表1可以發(fā)現，捕魚算法優(yōu)化極限學習機的運動員成績預測模型的擬合精度均超過90%，而且預測精度也大于85%，證明了本文模型的通用性強。

4.2.3 與其他運動員成績預測模型的結果比較

選擇灰色模型、BP神經網絡、RBF神經網絡進行對比測試，選擇1 000 m跑成績作為實驗對象，它們的結果如表2所示。從表2可以看出，本文模型的運動員成績擬合性能和預測性能均要優(yōu)于對比模型。

5 結 語

為了克服當前運動員成績預測模型的缺陷，提出捕魚算法優(yōu)化極限學習機的運動員成績預測模型，采用聚類分析對運動員成績的歷史樣本進行預處理，減少訓練樣本的規(guī)模，采用極限學習機對運動員成績進行非線性擬合，并通過捕魚算法對極限學習機進行優(yōu)化，加快運動員建模速度。測試結果表明，本文模型提高了運動員成績的預測精度，預測誤差滿足實際應用要求。

參考文獻

[1] 王宗平，孫光.應用BP神經網絡算法對運動成績預測的實證研究[J].南京體育學院學報，2006，20（4）：109?111.

[2] 趙丙軍.運用多元回歸方法建立我國男子跳遠項目訓練模型的研究[J].西安體育學院學報，2001，18（1）：81?82.

[3] 周偉.對中外優(yōu)秀女子三級跳遠運動員三跳技術的灰色關聯分析[J].吉林體育學院學報，2004，20（3）：64?65.

[4] 莊沖，王宗平.灰色系統模型與BP神經網絡模型在體育成績預測方面的比較研究[J].南京體育學院學報，2006，20（6）：134?135.

[5] 龍斌.基于支持向量機的劉翔110 m欄成績預測[J].天津體育學院學報，2009，24（4）：330?333.

[6] 鄧美蘭，張珍.奧運會男子十項全能前三名成績的灰色預測模型的研究[J].數學的實踐與認識，2009，39（18）：44?49.

[7] 李征宇，閆生.神經網絡模型在運動成績預測中的應用[J].哈爾濱體育學院學報，2009，27（2）：110?113.

[8] 戴敏.基于數據挖掘的運動員體能測試數據分析[J].計算機工程與應用，2003（9）：38?40.

[9] 成天樂，周勝瑜，李斯，等.基于極限學習機方法的短期負荷預測[J].電力科學與工程，2013，29（4）：24?25.

[10] 王勇，陳建榮，龐興.一種模擬漁夫捕魚的尋優(yōu)算法[J].計算機應用研究，2008，26（8）：2888?2890.