楊 琳 李 媛 楊 艷 韓 婧 韓美林 喬成芳

（1.商洛學(xué)院 商洛 726000）（2.商洛市體育局 商洛 726000）

1 引言

隨著自行車運(yùn)動(dòng)的流行與普及，越來越多人成為專業(yè)運(yùn)動(dòng)員參與到自行車比賽當(dāng)中。自行車運(yùn)動(dòng)員的綜合素質(zhì)的高低是決定車隊(duì)比賽成績的關(guān)鍵。對(duì)自行車運(yùn)動(dòng)員綜合素質(zhì)的科學(xué)評(píng)價(jià)成為一項(xiàng)重要的問題［1～2］。前蘇聯(lián)在 1980年奧運(yùn)會(huì)信息網(wǎng)絡(luò)的基礎(chǔ)上成立了全蘇體育自動(dòng)化管理研究所，其計(jì)算機(jī)中心擁有龐大的數(shù)據(jù)庫，包括運(yùn)動(dòng)員檔案、訓(xùn)練、比賽、營養(yǎng)、體育設(shè)備、經(jīng)費(fèi)等各方面的數(shù)據(jù)。在20世紀(jì)90年代，我國一些科技工作者完成了大規(guī)模的關(guān)于自行車運(yùn)動(dòng)員科學(xué)選材標(biāo)準(zhǔn)的課題［3～5］，取得了很多成果，包括獲得自行車運(yùn)動(dòng)員各項(xiàng)信息的大量數(shù)據(jù)，為自行車運(yùn)動(dòng)員的綜合素質(zhì)評(píng)價(jià)提供了科學(xué)的理論依據(jù)。一直以來，諸多學(xué)者從自行車遠(yuǎn)動(dòng)員的專項(xiàng)能力、身體素質(zhì)、運(yùn)動(dòng)能力、遺傳、心理素質(zhì)等方面展開了研究并取得了很多成果，為運(yùn)動(dòng)員選材和訓(xùn)練實(shí)踐提供了廣泛的理論依據(jù)和實(shí)際應(yīng)用方法。劉元田［6］開發(fā)了自行車運(yùn)動(dòng)員選材軟件，平淵［7］、崔建光［8］分別研究了自行車運(yùn)動(dòng)員身體特征與專項(xiàng)技能的關(guān)系，但仍存在評(píng)價(jià)結(jié)果與實(shí)際差距大、評(píng)價(jià)方法不合理、評(píng)價(jià)主體的不完善、評(píng)價(jià)內(nèi)容不完整等問題。與此同時(shí)，近五年來人工智能的發(fā)展較為迅速，尤其是BP神經(jīng)網(wǎng)絡(luò)［9～10］、支持向量機(jī)［11～12］、遺傳算法［13］、深度學(xué)習(xí)［14］等智能算法理論得到爆裂性的發(fā)展，廣泛應(yīng)用于語音識(shí)別、圖像分類、智能控制、股票預(yù)測等。本文提出利用支持向量機(jī)和遺傳算法這樣的智能算法來設(shè)計(jì)一套自行車運(yùn)動(dòng)員綜合素質(zhì)評(píng)價(jià)體系，選取225個(gè)運(yùn)動(dòng)員的身體形態(tài)、身體機(jī)能、運(yùn)動(dòng)能力、專項(xiàng)能力4類指標(biāo)中的16個(gè)影響因素?cái)?shù)據(jù)，進(jìn)行了較為全面的數(shù)據(jù)分析，改進(jìn)了搜尋網(wǎng)絡(luò)參數(shù)的遺傳算法，提高了識(shí)別準(zhǔn)確率和效率。

2 自行車運(yùn)動(dòng)員素質(zhì)評(píng)價(jià)體系的構(gòu)建

2.1 構(gòu)建方法與設(shè)計(jì)原則

建立自行車運(yùn)動(dòng)員綜合素質(zhì)評(píng)價(jià)體系需要遵循以下原則，包括科學(xué)性、可執(zhí)行性、重點(diǎn)因素屬性值突出等。

1）科學(xué)性：自行車運(yùn)動(dòng)員綜合素質(zhì)評(píng)價(jià)體系復(fù)雜，建立指標(biāo)體系要全面、有主次、簡約、獨(dú)立性好，同時(shí)需要涵蓋運(yùn)動(dòng)員素質(zhì)的各個(gè)方面，選取指標(biāo)和因素需以“素質(zhì)”作為重點(diǎn)，具體要結(jié)合自行車運(yùn)動(dòng)員的自身特點(diǎn)；為了得到公平、公正的評(píng)價(jià)結(jié)果，采集數(shù)據(jù)和對(duì)數(shù)據(jù)的預(yù)處理也需要有科學(xué)性。

2）可執(zhí)行性：在建立自行車運(yùn)動(dòng)員綜合素質(zhì)評(píng)價(jià)體系時(shí)，要考慮到指標(biāo)、因素?cái)?shù)據(jù)獲取的可操作性，數(shù)據(jù)必須表示明確、表達(dá)簡潔、易于采集和處理，必須方便采集數(shù)據(jù)并處理。

3）重點(diǎn)指標(biāo)突出：建立自行車運(yùn)動(dòng)員綜合素質(zhì)評(píng)價(jià)體系時(shí)必須有主有次，突出速度、踏頻等重點(diǎn)指標(biāo)。

2.2 指標(biāo)體系構(gòu)建

自行車運(yùn)動(dòng)員的綜臺(tái)素質(zhì)包括多個(gè)方面，采用層次分析法，將這些指標(biāo)分為三層：目標(biāo)層、指標(biāo)層、因素層。本課題從身體形態(tài)、身體機(jī)能、運(yùn)動(dòng)能力、專項(xiàng)能力四個(gè)指標(biāo)作為評(píng)價(jià)的標(biāo)準(zhǔn)，再綜合考慮各個(gè)指標(biāo)的詳細(xì)情況和相關(guān)性，將這四類指標(biāo)具體細(xì)分為如圖1所示的16項(xiàng)因素。

1）身體形態(tài)指標(biāo)是指反應(yīng)身體生長情況的各項(xiàng)素質(zhì)，包括克托萊指數(shù)（X1）、肩寬身高比（X2）、胸圍身高比（X3）、比踝圍（X4）。這些因素反應(yīng)了運(yùn)動(dòng)員的身體形態(tài)，對(duì)運(yùn)動(dòng)員的騎行速度、穩(wěn)定程度有舉足輕重的影響。

2）身體機(jī)能指標(biāo)是指反應(yīng)身體健康狀況的各項(xiàng)素質(zhì)，包括體脂率（X5）、血紅蛋白含量（X6）、安靜心率（X7）、最大攝氧量（X8），這些因素直接影響著運(yùn)動(dòng)員是否能夠正常訓(xùn)練或比賽。

3）運(yùn)動(dòng)能力指標(biāo)是指反應(yīng)身體在體育運(yùn)動(dòng)方面的各項(xiàng)素質(zhì)，包括無氧閡值（X9）、60m跑時(shí)間（X10）、選擇反應(yīng)時(shí)（X11）、立定跳遠(yuǎn)距離（X12）。這些因素決定了運(yùn)動(dòng)員在隊(duì)伍中間的位置。

4）專項(xiàng)能力指標(biāo)是指反應(yīng)自行車運(yùn)動(dòng)方面的各項(xiàng)專業(yè)素質(zhì)，包括30s平均踏蹬頻率（X13）、30s最大功率（X14）、30s最大心率（X5）、神經(jīng)類型（X6）。這些因素是確定運(yùn)動(dòng)員能力的關(guān)鍵性專業(yè)因素。

圖1 自行車運(yùn)動(dòng)員質(zhì)素質(zhì)評(píng)價(jià)指標(biāo)體系

3 神經(jīng)網(wǎng)絡(luò)評(píng)級(jí)模型概述

3.1 神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)，又稱作人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks），是一種模仿動(dòng)物或者人的神經(jīng)網(wǎng)絡(luò)運(yùn)作模式的數(shù)學(xué)模型，這種網(wǎng)絡(luò)有大量的神經(jīng)元，包括輸入層、隱含層、輸出層，節(jié)點(diǎn)之間的關(guān)系稱為權(quán)重。權(quán)重值、輸入、迭代次數(shù)決定了網(wǎng)絡(luò)的輸出。通過一次次迭代，調(diào)整關(guān)系權(quán)重，從而得到最理想的輸出。能夠自適應(yīng)和自學(xué)習(xí)是人工神經(jīng)網(wǎng)絡(luò)最突出的特性。

3.2 支持向量機(jī)

支持向量機(jī)（Support Vector Machine，SVM）是一種神經(jīng)網(wǎng)絡(luò)算法，屬于有監(jiān)督學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型，廣泛應(yīng)用于模式識(shí)別、線性回歸、聚類、數(shù)據(jù)分析等領(lǐng)域。給定一組訓(xùn)練樣本，每一個(gè)樣本去標(biāo)記分類，一個(gè)SVM訓(xùn)練算法建立了一個(gè)模型，分配新的坐標(biāo)進(jìn)行分類。一個(gè)支持向量機(jī)將在一維、多維、或無限維的空間中形成一個(gè)或多個(gè)超級(jí)平面，一個(gè)理想的分類器對(duì)于每一個(gè)分類都有最接近的訓(xùn)練數(shù)據(jù)范圍，一般情況下裕度越大范化誤差越大。

4 自行車運(yùn)動(dòng)員素質(zhì)評(píng)價(jià)網(wǎng)絡(luò)模型的構(gòu)建與應(yīng)用

4.1 網(wǎng)絡(luò)結(jié)構(gòu)建立

本文根據(jù)自行車運(yùn)動(dòng)員水平影響因素的分析，選擇結(jié)構(gòu)較為容易的CNN神經(jīng)網(wǎng)絡(luò)，并在該網(wǎng)絡(luò)中引入SVM算法。因?yàn)楫?dāng)結(jié)構(gòu)合理、投值條件也相對(duì)恰當(dāng)?shù)臈l件下，CNN網(wǎng)絡(luò)容易逼近到任意的里阿奴函數(shù)。選擇表示運(yùn)動(dòng)員水平的16個(gè)因素作為系統(tǒng)的輸入層，而將反應(yīng)自行車運(yùn)動(dòng)員水平和影響因素的映射關(guān)系作為隱含層，評(píng)價(jià)等級(jí)作為輸出層，輸出結(jié)果的可能性有1，2，3，4，5，6六種，分別表示自行車運(yùn)動(dòng)員的綜合素質(zhì)評(píng)價(jià)等級(jí)為優(yōu)秀，良好，一般，合格，較差，差。根據(jù)分析的結(jié)果，建立SVM神經(jīng)網(wǎng)絡(luò)模型如圖2所示。

建立了自行車運(yùn)動(dòng)員素質(zhì)評(píng)價(jià)指標(biāo)體系后，每個(gè)指標(biāo)需要有權(quán)重值，咨詢相關(guān)領(lǐng)域?qū)＜液?，利用層分析法，?jīng)過數(shù)據(jù)計(jì)算與分析，得到指標(biāo)的權(quán)重。目標(biāo)層之于指標(biāo)層的權(quán)重向量為A=［0.09，0.20，0.34，0.37］，其含義是身體形態(tài)、身體機(jī)能、運(yùn)動(dòng)能力、專項(xiàng)能力四個(gè)指標(biāo)對(duì)評(píng)價(jià)結(jié)果的影響分別為9%、20%、34%、37%。因素層相對(duì)于指標(biāo)層的權(quán)重向量為，B1=［0.3，0.2，0.2，0.3］、B2=［0.17，0.28，0.11，0.44］、B3=［0.29，0.21，0.27，0.23］、B4=［0.3，0.3，0.28，0.12］分別表示克托萊指數(shù)、肩寬身高比、胸圍身高比、比踝圍這些因素對(duì)身體形態(tài)指標(biāo)的影響程度分別為30%、20%、20%、30%；體脂率、血紅蛋白含量、安靜心率、最大攝氧量這些因素對(duì)身體機(jī)能指標(biāo)的影響程度分別為17%、28%、11%、44%；無氧閡值、60m跑時(shí)間、選擇反應(yīng)時(shí)、立定跳遠(yuǎn)距離、這些因素對(duì)運(yùn)動(dòng)能力指標(biāo)的影響程度分別為29%、21%、27%、23%；30s平均踏蹬頻率、30s最大功率、30s最大心率、神經(jīng)類型這些因素對(duì)專項(xiàng)能力指標(biāo)的影響程度分別為30%、30%、28%、12%。最后取幾何平均值作為因素層的權(quán)重值C=［0.027 0.018 0.018 0.027 0.034 0.056 0.022 0.088 0.0986 0.0714 0.0918 0.0782 0.111 0.111 0.1036 0.0444］。

圖2 自行車運(yùn)動(dòng)員綜合素質(zhì)評(píng)價(jià)指標(biāo)網(wǎng)絡(luò)結(jié)構(gòu)

4.2 樣本數(shù)據(jù)的選取和預(yù)處理

選取我國六個(gè)省級(jí)自行車隊(duì)的225名男運(yùn)動(dòng)員的各項(xiàng)因素信息作為樣本數(shù)據(jù)（Xij）m×n，有m個(gè)樣本，n項(xiàng)因素（m=225，n=16），其中i為樣本序號(hào)，范圍是［1，225］，而j為因素序號(hào)，范圍是［1，16］。對(duì)每一項(xiàng)因素的225個(gè)數(shù)據(jù)做歸一化處理，利用如式（1）所示的映射關(guān)系將每一項(xiàng)因素的數(shù)據(jù)范圍轉(zhuǎn)化到［0，1］。

這225個(gè)樣本數(shù)據(jù)中選取前108個(gè)作為訓(xùn)練樣本數(shù)據(jù)，后117個(gè)作為測試樣本數(shù)據(jù)。各項(xiàng)因素歸一化數(shù)據(jù)的box可視化效果和因素分維可視化效果如圖3、圖4所示，訓(xùn)練集的分類結(jié)果如圖5所示。

圖3 自行車運(yùn)動(dòng)員因素?cái)?shù)據(jù)的box可視化圖

圖4 自行車運(yùn)動(dòng)員因素?cái)?shù)據(jù)的分維可視化圖

圖5 訓(xùn)練集分類結(jié)果的標(biāo)簽分布圖

4.3 模型訓(xùn)練與預(yù)測

SVM的核函數(shù)有徑向、兩層感知器、多項(xiàng)式、線性等非分類下的若干種函數(shù)。由于自行車運(yùn)動(dòng)員因素與結(jié)果之間的非線性關(guān)系，本文將RBF徑向函數(shù)作為系統(tǒng)的核函數(shù)，主要是因?yàn)檫@個(gè)函數(shù)，能滿足各因素屬性值與標(biāo)簽值的非線性關(guān)系，所以更加適用于高維空間。RBF函數(shù)的輸入輸出映射關(guān)系如式（2）。

其中，γ是核函數(shù)的參數(shù)，x是樣本值，模型中的默認(rèn)系統(tǒng)參數(shù)是c=2，g=1。以樣本中的前108項(xiàng)作為訓(xùn)練樣本，建立模型后，以后117項(xiàng)數(shù)據(jù)作為測試樣本，利用此模型進(jìn)行預(yù)測。預(yù)測的標(biāo)簽值與實(shí)際標(biāo)簽值對(duì)比如圖6所示，其準(zhǔn)確率為87.1795%

圖6 自行車運(yùn)動(dòng)員測試集預(yù)測結(jié)果

4.4 參數(shù)改進(jìn)

默認(rèn)的懲罰參數(shù)，得到的預(yù)測準(zhǔn)確率并不理想，因此需要去調(diào)節(jié)參數(shù)。也就是尋找最佳的g參數(shù)和c參數(shù)，從而得到理想的預(yù)測準(zhǔn)確率。常見的方法有粒子群優(yōu)化算法（PSO）、網(wǎng)格搜尋法、遺傳算法（GA）。在本文中利用這些方法來優(yōu)化g參數(shù)和c參數(shù)。

4.4.1 網(wǎng)格搜尋法

網(wǎng)格搜尋法的基本思路是，先規(guī)定一個(gè)g參數(shù)和c參數(shù)的粗略搜尋范圍，在這個(gè)范圍內(nèi)按照一定的順序和步進(jìn)，利用每一組參數(shù)去預(yù)測，得到一個(gè)最佳準(zhǔn)確率對(duì)應(yīng)的最佳參數(shù)組合。

執(zhí)行第一次粗略搜尋后，進(jìn)一步縮小搜尋范圍并調(diào)整步進(jìn)，再一次執(zhí)行精細(xì)搜尋。本文中搜尋的結(jié)果如圖7所示，其中粗略搜尋的結(jié)果如圖（a）、（c），最佳參數(shù)為c=64 g=0.0110，準(zhǔn)確率為 AC=93.2870%，精細(xì)搜尋的結(jié)果如圖（b）、（d）c=6.9644 g=0.2415，準(zhǔn)確率AC=94.7222%。

圖7 網(wǎng)格法cg參數(shù)選擇結(jié)果圖

4.4.2 遺傳算法

利用網(wǎng)格搜尋法，可以在一定范圍內(nèi)找到最佳的懲罰參數(shù)c、g，但是當(dāng)搜尋范圍比較大，或者步進(jìn)值比較小時(shí)，這種方法就會(huì)耗費(fèi)大量的時(shí)間。而引入遺傳算法去選擇懲罰參數(shù)，就不用遍歷網(wǎng)格中的每一個(gè)點(diǎn)，很大程度上提高效率，節(jié)約時(shí)間。遺傳算法的算法流程如圖8所示，經(jīng)過200次迭代，遺傳算法確定最佳參數(shù)是c=5.650 g=0.25，cg參數(shù)的適應(yīng)度曲線如圖9所示，分類結(jié)果如圖10所示，準(zhǔn)確率為AC=96.8812%，時(shí)間從99.1372s減少到31.4341s。

圖8 遺傳算法獲取最佳cg參數(shù)的算法流程

圖9 獲取最佳cg參數(shù)（遺傳算法）的適應(yīng)度曲線

圖10 最佳cg參數(shù)下的預(yù)測結(jié)果（遺傳算法）

4.4.3 改進(jìn)的遺傳算法

可以看出，遺傳遺傳算法提高了搜尋效率，但是，準(zhǔn)確率還有待提高。本文在遺傳算法的基礎(chǔ)上提出了改進(jìn)思路，將損耗函數(shù)ε引入到遺傳算法模型中去優(yōu)化，因?yàn)閾p耗函數(shù)ε同樣會(huì)影響模型的預(yù)測準(zhǔn)確率。改進(jìn)算法的流程如下：

1）種群初始化，設(shè)置懲罰參數(shù)c、核函數(shù)參數(shù)g、損耗函數(shù)ε的初始范圍，這個(gè)范圍盡可能地設(shè)大一些。

2）計(jì)算并保存適應(yīng)度。

3）當(dāng)前種群數(shù)據(jù)處理后，順序執(zhí)行選擇、交叉、變異過程。

4）查看結(jié)束迭代條件是否滿足，滿足，則將最好的參數(shù)輸出；不滿足，則繼續(xù)下一輪迭代。

5）利用最優(yōu)化的參數(shù)（c，g，ε）進(jìn)行數(shù)據(jù)的預(yù)測，得到最佳結(jié)果。

用改進(jìn)的算法得到最優(yōu)參數(shù)為c=7.1166，g=0.2964，ε=0.1254。這組參數(shù)下，預(yù)測準(zhǔn)確率為98.2906%，耗時(shí)為35.8811s。

4.5 結(jié)果討論

表1 不同方法選擇cg參數(shù)的效果對(duì)比

幾種方法選擇c、g參數(shù)的結(jié)果對(duì)比如表1所示?？梢钥闯觯绕鹉J(rèn)的c、g參數(shù)，網(wǎng)格搜尋法的大大提高了準(zhǔn)確率，但是耗時(shí)長增加了近乎200倍，主要是因?yàn)榫W(wǎng)格搜尋法遍歷了有可能的所有參數(shù)點(diǎn)。精細(xì)搜尋比粗略搜尋縮小了范圍，但是搜尋步進(jìn)更小，意味著網(wǎng)格更加精細(xì)，二者耗時(shí)不相上下，在準(zhǔn)確率上，精細(xì)搜尋略優(yōu)于粗略搜尋。引入遺傳算法來搜尋c、g參數(shù)，不用去遍歷網(wǎng)格中的所有點(diǎn)，更加高效和智能，比起精細(xì)網(wǎng)格搜尋耗時(shí)降低了74%，準(zhǔn)確率提高了2.1%。將遺傳算法進(jìn)行改進(jìn)，把損耗函數(shù)ε的選擇也引入到遺傳算法當(dāng)中，最終，進(jìn)一步提高了識(shí)別的準(zhǔn)確率到98.29%。

5 結(jié)語

將神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的理論應(yīng)用于公路自行車運(yùn)動(dòng)員綜合素質(zhì)評(píng)價(jià)中，對(duì)225名運(yùn)動(dòng)員的四類指標(biāo)16個(gè)因素?cái)?shù)據(jù)進(jìn)行預(yù)處理后，建立了SVM評(píng)價(jià)模型，利用這個(gè)模型對(duì)運(yùn)動(dòng)員的綜合素質(zhì)進(jìn)行評(píng)價(jià)，得到以下結(jié)論。

1）為了提高網(wǎng)絡(luò)模型的可信度，選擇225項(xiàng)數(shù)據(jù)中的前108項(xiàng)作為訓(xùn)練集數(shù)據(jù)，后117項(xiàng)作為測試集數(shù)據(jù)，以評(píng)價(jià)類型作為網(wǎng)絡(luò)的輸出標(biāo)簽。實(shí)驗(yàn)結(jié)果表明，正確率在98%左右，能滿足運(yùn)動(dòng)員綜合素質(zhì)評(píng)價(jià)的需求。

2）SVM算法克服了BP網(wǎng)絡(luò)中神經(jīng)元不穩(wěn)定等缺陷，降低了人為因素對(duì)評(píng)價(jià)結(jié)果的影響，同時(shí)提高了網(wǎng)絡(luò)模型的穩(wěn)定性。

3）在預(yù)測的過程中參數(shù)c、g對(duì)預(yù)測結(jié)果有很大程度的影響，因此需要找到最佳的c、g參數(shù)。網(wǎng)格搜尋法，提高了預(yù)測準(zhǔn)確率，但是耗時(shí)太長。GA算法的引入很大程度減少了耗時(shí)，提高了準(zhǔn)確率。改進(jìn)的GA算法將準(zhǔn)確率進(jìn)一步提高。

4）在訓(xùn)練過程中所使用數(shù)據(jù)樣本不夠全面，只有225條數(shù)據(jù)，這種數(shù)據(jù)量的局限性可能會(huì)一定程度地影響評(píng)價(jià)結(jié)果。在后續(xù)對(duì)的研究中，將盡可能地?cái)U(kuò)大數(shù)據(jù)量，來提高網(wǎng)絡(luò)學(xué)習(xí)和預(yù)測的精準(zhǔn)程度。

5）SVM和GA算法相結(jié)合的自行車運(yùn)動(dòng)員綜合素質(zhì)評(píng)價(jià)模型，準(zhǔn)確率達(dá)到98.2906%，效果較為理想，為自行車運(yùn)動(dòng)員的選材、訓(xùn)練、比賽提供科學(xué)的方法和依據(jù)。