亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于K-means聚類和BP神經(jīng)網(wǎng)絡(luò)的大學(xué)生體質(zhì)類型評(píng)價(jià)模型

        2021-12-22 13:28:10郝霖霖
        當(dāng)代體育科技 2021年32期
        關(guān)鍵詞:素質(zhì)

        郝霖霖

        (復(fù)旦大學(xué)體教部 上海 200433)

        對(duì)大學(xué)生體質(zhì)進(jìn)行評(píng)價(jià)并給予針對(duì)性的鍛煉指導(dǎo)是高校體育工作的一部分,由于人體的運(yùn)動(dòng)能力與各影響因素之間是復(fù)雜的非線性關(guān)系,人為評(píng)價(jià)學(xué)生體質(zhì)健康具有較大的困難,而利用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行評(píng)價(jià)能夠降低人為因素的影響,能夠較好地保證評(píng)價(jià)結(jié)果的客觀性和準(zhǔn)確性[1,2]。該研究利用K-means 聚類算法和BP神經(jīng)網(wǎng)絡(luò)對(duì)學(xué)生體質(zhì)類型進(jìn)行評(píng)價(jià),驗(yàn)證BP神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)大學(xué)生體質(zhì)類型的可行性,為指導(dǎo)大學(xué)生體育鍛煉提供參考,同時(shí)促進(jìn)大數(shù)據(jù)、機(jī)器學(xué)習(xí)等新興技術(shù)與體育的結(jié)合,豐富體育與計(jì)算機(jī)交叉學(xué)科研究領(lǐng)域的理論成果。

        1 研究方法

        1.1 文獻(xiàn)資料法

        通過(guò)查閱大學(xué)生課外體育鍛煉指導(dǎo)、大學(xué)生體質(zhì)健康等方面的相關(guān)文獻(xiàn)資料,借鑒前人的研究方法和研究成果,在此基礎(chǔ)上逐步形成該研究的思路、框架和創(chuàng)新點(diǎn)。研讀機(jī)器學(xué)習(xí)、人工神經(jīng)網(wǎng)絡(luò)方面的相關(guān)書籍著作,了解BP人工神經(jīng)網(wǎng)絡(luò)的基本原理和使用方法,為該研究中大學(xué)生體質(zhì)類型評(píng)價(jià)模型的構(gòu)建提供參考。

        1.2 數(shù)理統(tǒng)計(jì)法

        1.2.1 數(shù)據(jù)收集和預(yù)處理

        測(cè)試和統(tǒng)計(jì)1000 余名大學(xué)生體質(zhì)健康數(shù)據(jù),計(jì)算數(shù)據(jù)平均值、標(biāo)準(zhǔn)差,并正向化處理以及Z-score 標(biāo)準(zhǔn)化處理。

        1.2.2 K-means聚類分析

        運(yùn)用聚類分析,將預(yù)處理好的數(shù)據(jù)作為自變量,將具有較高相似度的數(shù)據(jù)對(duì)象劃分至同一類簇,將具有較高相異度的數(shù)據(jù)對(duì)象劃分至不同類簇,最終將大學(xué)男生和女生分成不同的類型(見(jiàn)圖1)。

        圖1 大學(xué)生體質(zhì)類型K-mean聚類分析

        1.2.3 BP神經(jīng)網(wǎng)絡(luò)建模

        BP神經(jīng)網(wǎng)絡(luò)是一種多層的前饋神經(jīng)網(wǎng)絡(luò),具有任意復(fù)雜的模式分類能力和優(yōu)良的多維函數(shù)映射能力,BP神經(jīng)網(wǎng)絡(luò)在體育研究和實(shí)踐中具有廣泛的應(yīng)用[3,4]。在聚類分析完成后,每一名學(xué)生的體質(zhì)測(cè)試數(shù)據(jù)及體質(zhì)類型成為{x1,x2,...,xi}→yj映射,將訓(xùn)練數(shù)據(jù)集帶入到BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,訓(xùn)練結(jié)束后得到成熟的關(guān)系映射模型,利用測(cè)試數(shù)據(jù)集對(duì)模型進(jìn)行測(cè)試并觀察精度和誤差。

        2 理論構(gòu)想

        該研究利用BP 神經(jīng)網(wǎng)絡(luò)對(duì)大學(xué)生身體素質(zhì)進(jìn)行分類,準(zhǔn)確地識(shí)別體質(zhì)類型。(1)構(gòu)建大學(xué)生的身體素質(zhì)評(píng)價(jià)指標(biāo)體系,該指標(biāo)體系將作為K-means 聚類分析的變量以及構(gòu)建人工神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元。(2)采用K-means 聚類將數(shù)據(jù)劃分成K 類,每一名學(xué)生的體質(zhì)測(cè)試數(shù)據(jù)及體質(zhì)類型成為{x1,x2,...,xi}→yj映射。(3)設(shè)置神經(jīng)網(wǎng)絡(luò)的各項(xiàng)參數(shù),包括網(wǎng)絡(luò)層數(shù)量、輸入層神經(jīng)元數(shù)量、輸出層神經(jīng)元數(shù)量、隱藏層神經(jīng)數(shù)量、學(xué)習(xí)率,等等,將訓(xùn)練數(shù)據(jù)集輸入到人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,使之形成一個(gè)成熟的x(體質(zhì)測(cè)試指標(biāo))→y(體質(zhì)類型)映射機(jī)制(見(jiàn)圖2)。最后,對(duì)模型評(píng)估、保存和實(shí)施預(yù)測(cè)。數(shù)據(jù)的處理過(guò)程如圖3所示。

        圖2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

        圖3 數(shù)據(jù)處理過(guò)程

        3 結(jié)果與分析

        3.1 大學(xué)生體質(zhì)健康指標(biāo)體系與數(shù)據(jù)采集

        結(jié)合學(xué)校體育鍛煉活動(dòng)的實(shí)際需求,遵照安全性、簡(jiǎn)易性、可靠性、實(shí)用性的原則制定指標(biāo)體系?!秶?guó)家學(xué)生體質(zhì)健康標(biāo)準(zhǔn)(2014年修訂)》中測(cè)試指標(biāo)包括:身體形態(tài)類中的身高、體重,身體機(jī)能類中的肺活量,以及身體素質(zhì)類中的50m跑、坐位體前屈、立定跳遠(yuǎn)、1000m跑(男生)、800m跑(女生)、引體向上(男生)、仰臥起坐(女生)。該研究部分指標(biāo)采用體質(zhì)健康測(cè)試指標(biāo),避免重復(fù)測(cè)量。

        為了較為細(xì)致地反映學(xué)生力量素質(zhì)和柔韌素質(zhì),參考《健身解剖指南》《肌肉力量訓(xùn)練彩色圖譜》等資料的肌肉群劃分方法[5,6],將力量素質(zhì)指標(biāo)進(jìn)一步分為胸部、手臂、腹部、腰臀部、背部、腿部六部分,并借鑒眾多力量訓(xùn)練教材中的各肌肉力量評(píng)測(cè)方法,初步擬定力量素質(zhì)測(cè)試指標(biāo)。人體柔韌素質(zhì)主要體現(xiàn)在肩部、軀干及髖關(guān)節(jié)柔韌性,柔韌素質(zhì)指標(biāo)擬定為轉(zhuǎn)肩、俯臥背伸、坐位體前屈。

        設(shè)計(jì)《大學(xué)生力量素質(zhì)、柔韌素質(zhì)、靈敏素質(zhì)測(cè)試方法篩選問(wèn)卷》,并發(fā)放給專家進(jìn)一步篩選,問(wèn)卷回收后,保留選擇頻數(shù)最多的指標(biāo)及測(cè)試方法,結(jié)合《國(guó)家學(xué)生體質(zhì)健康標(biāo)準(zhǔn)》中的指標(biāo),最終形成該研究《大學(xué)生體質(zhì)健康指標(biāo)體系及測(cè)試方法》(見(jiàn)表1)。

        表1 大學(xué)生體質(zhì)健康指標(biāo)體系及測(cè)試方法

        力量素質(zhì)(或柔韌素質(zhì))的總得分計(jì)算公式如下:

        其中,E為總得分,n為二級(jí)指標(biāo)數(shù)量,xi為第i個(gè)二級(jí)指標(biāo)的標(biāo)準(zhǔn)分,ηi為第i個(gè)二級(jí)指標(biāo)的權(quán)重。

        依照指標(biāo)體系及測(cè)試方法獲取原始數(shù)據(jù),測(cè)試對(duì)象為493名男生和513名女生(見(jiàn)圖4)。

        圖4 測(cè)試現(xiàn)場(chǎng)

        3.2 基于K-means聚類算法的BP神經(jīng)網(wǎng)絡(luò)體質(zhì)類型評(píng)價(jià)模型

        3.2.1 數(shù)據(jù)預(yù)處理

        對(duì)原始數(shù)據(jù)進(jìn)行清洗和標(biāo)準(zhǔn)化處理,使數(shù)據(jù)格式符合模型的設(shè)定[7]。首先,查找并剔除重復(fù)、異常及空缺數(shù)據(jù)。其次,采用倒數(shù)法將“轉(zhuǎn)肩”“1000m跑”“800m跑”“50m跑”轉(zhuǎn)為高優(yōu)指標(biāo)。最后,對(duì)數(shù)據(jù)進(jìn)行Z-Score標(biāo)準(zhǔn)化,使數(shù)據(jù)無(wú)量綱化。Z-Score 標(biāo)準(zhǔn)化公式為:z=(x-μ)/σ,其中μ 為總體平均值,σ 為總體標(biāo)準(zhǔn)偏差。依據(jù)權(quán)重計(jì)算力量素質(zhì)和柔韌素質(zhì)的總得分。經(jīng)過(guò)預(yù)處理后的數(shù)據(jù)格式如表2所示。

        表2 預(yù)處理后的數(shù)據(jù)格式

        3.2.2 基于K-means聚類算法的樣本數(shù)據(jù)分類處理

        K-means算法,又稱為K-均值算法,是一種基于劃分聚類算法,即根據(jù)相似性原則,將具有較高相似度的數(shù)據(jù)對(duì)象劃分至同一類簇,將具有較高相異度的數(shù)據(jù)對(duì)象劃分至不同類簇。K-means 算法中的K 代表類簇個(gè)數(shù),means代表類簇內(nèi)數(shù)據(jù)對(duì)象的均值。K-means聚類算法步驟如下。

        (1)有樣本集X={xi|i=1,2,...,N},K 個(gè)類別為Cj(j=1,2,...,K),K個(gè)聚類中心為Aj=(j=1,2,...,K)。從樣本X隨機(jī)選取k個(gè)對(duì)象作為初始聚類中心。

        (2)依據(jù)公式d(xi,xj)=計(jì)算每個(gè)樣本與各個(gè)聚類中心的歐式距離,把每個(gè)對(duì)象劃分到距離聚類中心最近的類別。

        (3)利用公式Aj=,將每個(gè)類簇中的所有樣本點(diǎn)的均值作為新的聚類中心。

        (4)重復(fù)(2)(3)步驟,直到聚類中心不再發(fā)生變化或者迭代次數(shù)達(dá)到預(yù)設(shè)的最大迭代次數(shù)。

        K-means算法中K值可運(yùn)用手肘法確定,核心思想是,隨著聚類數(shù)K 的增大,樣本劃分會(huì)更加精細(xì),每個(gè)簇的聚合程度會(huì)逐漸提高,誤差平方和SSE 會(huì)逐漸變小。當(dāng)K 小于真實(shí)聚類數(shù)時(shí),由于K 的增大會(huì)大幅增加每個(gè)簇的聚合程度,故SSE的下降幅度會(huì)很大,而當(dāng)K到達(dá)真實(shí)聚類數(shù)時(shí),再增加K所得到的聚合程度回報(bào)會(huì)迅速變小,所以SSE 的下降幅度會(huì)驟減,然后隨著K值的繼續(xù)增大而趨于平緩[8]。因此,SSE和K的關(guān)系圖近似手肘的形狀,肘部對(duì)應(yīng)的K 值就是數(shù)據(jù)的真實(shí)聚類數(shù)。計(jì)算誤差平方和SSE的公式如下:

        Ci是第i 個(gè)簇,p是Ci中的樣本點(diǎn),mi是Ci的質(zhì)心(Ci中所有樣本的均值),SSE 是所有樣本的聚類誤差,代表了聚類效果的好壞。

        借助Python計(jì)算機(jī)語(yǔ)言的Sklearn插件包對(duì)預(yù)處理后的體質(zhì)健康測(cè)試數(shù)據(jù)進(jìn)行K-means 聚類分析,分別計(jì)算1 到16 個(gè)類的關(guān)系圖,觀察拐點(diǎn)。其計(jì)算結(jié)果如圖5所示。

        圖5 K值與SSE關(guān)系圖(左:男生,右:女生)

        從圖中可見(jiàn),在男生及女生的體質(zhì)類型聚類結(jié)果中,當(dāng)K取值在8左右,曲線開始逐漸平緩,因此可分8個(gè)類較為合適。

        Z-Score 標(biāo)準(zhǔn)分反映的是所得數(shù)據(jù)距離平均值有幾個(gè)標(biāo)準(zhǔn)差,Z-Score標(biāo)準(zhǔn)分距離0值越遠(yuǎn),數(shù)據(jù)距離平均數(shù)就越大,說(shuō)明該素質(zhì)越優(yōu)秀或越差。

        由表3 可知,第一類男生的體型偏離1.251 個(gè)標(biāo)準(zhǔn)差,速度和耐力數(shù)值低于一個(gè)標(biāo)準(zhǔn)差以上,其他指標(biāo)也比平均值低,該類型男生屬于體型偏胖型,肥胖限制了他的活動(dòng)能力。第二類男生整體指標(biāo)均低于平均成績(jī),體型偏瘦,耐力較差,心肺功能較弱。第三類男生體型低于平均值0.752個(gè)標(biāo)準(zhǔn)差,力量及機(jī)能低于平均值0.261 個(gè)標(biāo)準(zhǔn)差,該類型男生體型偏瘦,雖然較為靈活,且短距離速度較快,但缺乏力量,并且心肺功能薄弱。第四類男生的機(jī)能、力量、體型在平均之上,而速度、靈敏、耐力指標(biāo)低于平均值,尤其是耐力指標(biāo)低于平均值1.561 個(gè)標(biāo)準(zhǔn)差,該類型男生較為強(qiáng)壯,肌肉強(qiáng)健有力,但耐力較差,移動(dòng)速度差,屬于耐力缺乏型。第五類男生的速度素質(zhì)、靈敏素質(zhì)較為優(yōu)秀,而機(jī)能、耐力和體型指標(biāo)低于平均值,該類型男生體型偏瘦,體脂率較低,屬于身手矯健型,爆發(fā)力較高,但耐力略差。第六類男生的大部分?jǐn)?shù)據(jù)都高于平均水平,尤其是速度、耐力、靈敏方面較強(qiáng),體脂率較低,耐力較好。第七類男生的速度、力量、柔韌、體型高于平均水平,耐力、機(jī)能、靈敏略差,屬于爆發(fā)力型。第八類男生的體質(zhì)狀況較為平庸,沒(méi)有特別差的方面,但也沒(méi)有特別突出的方面。

        表3 K-means聚類后男生的各體質(zhì)類型的Z-Score標(biāo)準(zhǔn)分平均值

        由表4可知,第一類女生的耐力素質(zhì)較強(qiáng),高于平均水平0.603 個(gè)標(biāo)準(zhǔn)差,機(jī)能、速度、靈敏能力較強(qiáng),體態(tài)偏瘦,輕盈的體態(tài)讓她善于奔跑,因此耐力素質(zhì)較好,但相對(duì)來(lái)說(shuō)力量發(fā)展偏弱。第二類女生力量素質(zhì)較差,耐力素質(zhì)相對(duì)較好。第三類女生的各個(gè)指標(biāo)均低于平均水平,尤其是耐力素質(zhì)低于平均值1.270個(gè)標(biāo)準(zhǔn)差,屬于瘦弱型,整體素質(zhì)偏低,體質(zhì)健康水平較差。第四類女生體型數(shù)值高于平均值0.538個(gè)標(biāo)準(zhǔn)差,耐力素質(zhì)數(shù)值低于平均數(shù)值0.903個(gè)標(biāo)準(zhǔn)差,機(jī)能高于平均水平0.895個(gè)標(biāo)準(zhǔn)差,該類型女生體型偏胖,肺活量大,有一定的力量,但耐力水平較低。第五類女生的體型高于平均水平1.736個(gè)標(biāo)準(zhǔn)差,耐力素質(zhì)及速度素質(zhì)很差,該類型女生屬于肥胖型。第六類女生女體身體素質(zhì)較好,多數(shù)指標(biāo)高于平均值,屬于爆發(fā)力型。第七類女生的機(jī)能、耐力、力量指標(biāo)高于平均水平,但速度和靈敏較差。第八類女生的各個(gè)指標(biāo)數(shù)據(jù)距離平均水平相差不大,多數(shù)指標(biāo)標(biāo)準(zhǔn)差不超過(guò)0.1。

        表4 K-means聚類后女生的各體質(zhì)類型的Z-Score標(biāo)準(zhǔn)分平均值

        3.2.3 基于BP 人工神經(jīng)網(wǎng)絡(luò)的體質(zhì)評(píng)價(jià)模型訓(xùn)練與預(yù)測(cè)

        BP神經(jīng)網(wǎng)絡(luò)是一種有監(jiān)督學(xué)習(xí)網(wǎng)絡(luò),是1986年由Rumelhart 和McClelland 為首的科學(xué)家提出的概念,是一種按照誤差反向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò),是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)[9,10]。

        基本BP 算法包括信號(hào)的正向傳播和誤差的反向傳播2 個(gè)過(guò)程(見(jiàn)圖6)。正向傳播過(guò)程,即前饋過(guò)程,輸入信號(hào)通過(guò)隱藏層作用于輸出節(jié)點(diǎn),經(jīng)過(guò)非線性變換,產(chǎn)生輸出信號(hào)[11]。在正向傳播過(guò)程中,隱藏層各個(gè)神經(jīng)節(jié)點(diǎn)的計(jì)算公式如下:

        圖6 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)過(guò)程

        式(3)中,輸入層共有n個(gè)節(jié)點(diǎn),Xi為輸入層第i個(gè)的輸入值,vij輸入層節(jié)點(diǎn)i 至隱藏層節(jié)點(diǎn)j 之間的權(quán)重,f(·)為激活函數(shù),bj為偏置,Hj為隱藏層第j個(gè)神經(jīng)元輸出。輸出層各個(gè)節(jié)點(diǎn)計(jì)算公式同隱藏層。

        一次正向傳播結(jié)束后,計(jì)算期望輸出與實(shí)際輸出之間的總誤差,公式如下:

        公式中,Tk為第k 個(gè)節(jié)點(diǎn)的期望輸出,Ok為第k 個(gè)節(jié)點(diǎn)的實(shí)際輸出,若實(shí)際輸出與期望輸出不相符,誤差未達(dá)到期望值,則轉(zhuǎn)入誤差的反向傳播過(guò)程。誤差反傳是將輸出誤差通過(guò)隱藏層向輸入層逐層反傳,并將誤差分?jǐn)偨o各層所有單元,以從各層獲得的誤差信號(hào)作為調(diào)整各單元權(quán)值的依據(jù)。

        計(jì)算隱藏層和輸出層之間的權(quán)重wjk對(duì)整體誤差產(chǎn)生的影響,可以用總誤差對(duì)wjk求偏導(dǎo),該偏導(dǎo)可以使用鏈?zhǔn)椒ū硎荆唧w如下:

        求導(dǎo)后得到

        最后新的Wjk調(diào)整為

        公式中,η為學(xué)習(xí)率,影響著網(wǎng)絡(luò)學(xué)習(xí)速率,如果學(xué)習(xí)速率太小,則會(huì)使收斂過(guò)慢,如果學(xué)習(xí)速率太大,則會(huì)導(dǎo)致代價(jià)函數(shù)振蕩。

        用同樣的方法可以更新其他權(quán)重的值,在實(shí)際訓(xùn)練中不停地迭代,通過(guò)調(diào)整輸入節(jié)點(diǎn)與隱層節(jié)點(diǎn)的權(quán)重,隱層節(jié)點(diǎn)與輸出節(jié)點(diǎn)的權(quán)重以及閾值,使誤差沿梯度方向下降,最終使得總誤差達(dá)到期望值,訓(xùn)練即告停止。此時(shí),經(jīng)過(guò)訓(xùn)練的神經(jīng)網(wǎng)絡(luò),即能對(duì)類似樣本的輸入信息,自行處理輸出誤差最小的經(jīng)過(guò)非線性轉(zhuǎn)換的信息。

        該研究運(yùn)用Python 語(yǔ)言及Keras 人工神經(jīng)網(wǎng)絡(luò)框架,進(jìn)行學(xué)習(xí)模型的設(shè)計(jì)、調(diào)試、評(píng)估、應(yīng)用等操作。首先,運(yùn)用Keras 框架構(gòu)建前饋神經(jīng)網(wǎng)絡(luò),建立全連接網(wǎng)絡(luò)層(Dense 層)。其次,將男、女學(xué)生的預(yù)處理后的數(shù)據(jù)作為輸入,K-means聚類分析結(jié)果作為輸出,訓(xùn)練網(wǎng)絡(luò),得到數(shù)學(xué)模型。最后,使用測(cè)試樣本數(shù)據(jù)集輸入網(wǎng)絡(luò)模型,將模型預(yù)測(cè)得到的類型與實(shí)際類型進(jìn)行比較,以此驗(yàn)證模型的準(zhǔn)確度和誤差,如果獲得的模型預(yù)測(cè)結(jié)果準(zhǔn)確度較差,可以通過(guò)調(diào)整模型參數(shù)或是加大樣本量,再次訓(xùn)練網(wǎng)絡(luò),通過(guò)不斷地調(diào)整、優(yōu)化,使網(wǎng)絡(luò)模型達(dá)到理想狀態(tài)。

        從網(wǎng)絡(luò)訓(xùn)練結(jié)果可知(見(jiàn)表5),男生數(shù)據(jù)經(jīng)過(guò)20次迭代后,在測(cè)試數(shù)據(jù)集上預(yù)測(cè)精度達(dá)到94.3%,女生數(shù)據(jù)經(jīng)過(guò)20次迭代后,在測(cè)試數(shù)據(jù)集上預(yù)測(cè)精度達(dá)到93.7%。說(shuō)明模型對(duì)學(xué)生體質(zhì)類型判別的準(zhǔn)確性較高。將訓(xùn)練好的Keras 神經(jīng)網(wǎng)絡(luò)模型保存為單個(gè)HDF5 文件中。當(dāng)利用該模型判斷某名學(xué)生體質(zhì)類型時(shí),運(yùn)用load_model(filepath)方法加載模型,并使用model.predict()方法進(jìn)行判斷(見(jiàn)圖7和圖8)。

        圖7 男生神經(jīng)網(wǎng)絡(luò)訓(xùn)練精度與損失

        圖8 女生神經(jīng)網(wǎng)絡(luò)訓(xùn)練精度與損失

        表5 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練及測(cè)試結(jié)果

        4 結(jié)語(yǔ)

        K-means 聚類分析結(jié)果表明,男女大學(xué)生體質(zhì)可分為八類,不同類型具有不同的體質(zhì)特點(diǎn)。利用聚類分析數(shù)據(jù)訓(xùn)練BP 神經(jīng)網(wǎng)絡(luò),建立體質(zhì)評(píng)價(jià)模型,精確度達(dá)到94%以上。由此可知,基于K-means 聚類和BP神經(jīng)網(wǎng)絡(luò)建立的體質(zhì)評(píng)價(jià)模型,能夠較為準(zhǔn)確地判斷大學(xué)生的體質(zhì)類型,可以作為自動(dòng)化、精準(zhǔn)化評(píng)價(jià)大學(xué)生體質(zhì)類型的基礎(chǔ)算法。

        猜你喜歡
        素質(zhì)
        工藝美術(shù)教育審美素質(zhì)的培養(yǎng)
        THEBUSINESS OF BEING BORN
        淺析當(dāng)代中醫(yī)編輯應(yīng)具備的素質(zhì)
        新聞傳播(2018年21期)2019-01-31 02:42:26
        環(huán)境衛(wèi)生,靠整治更靠素質(zhì)
        關(guān)于音樂(lè)綜合素質(zhì)測(cè)評(píng)的探索與實(shí)踐
        素質(zhì)是一場(chǎng)博弈
        什么是重要的素質(zhì)
        提高自身綜合素質(zhì),用好“變”的態(tài)度
        基于AHP的大學(xué)生體能素質(zhì)模型及其應(yīng)用
        素質(zhì)開發(fā)完全圖冊(cè)
        孩子(2009年1期)2009-01-22 08:34:30
        日本少妇高潮喷水xxxxxxx| 狠狠久久av一区二区三区| 中文字幕亚洲精品在线| 亚洲av精品一区二区三区| 久久久久久久性潮| 亚洲成a人片在线观看中文!!!| 另类亚洲欧美精品久久不卡| 日本精品国产1区2区3区| 中文字幕一区二区三区综合网| 一本到在线观看视频| 国产丝袜视频一区二区三区| 无遮挡十八禁在线视频国产制服网站| 日本激情一区二区三区| 寂寞人妻渴望被中出中文字幕| 东北妇女xx做爰视频| 亚洲中文字幕在线一区二区三区| 日韩精品资源在线观看免费| 欧洲美女黑人粗性暴交视频| 国产成人精品午夜二三区波多野 | 国产在线无码精品无码| 亚洲国产精品成人无码区| 亚洲福利视频一区| 亚洲传媒av一区二区三区| 手机在线观看免费av网站| 99久久人妻精品免费二区| 亚洲an日韩专区在线| 免费在线不卡黄色大片| 国产一区二区三区三区四区精品| 内射少妇36p亚洲区| 欧美视频九九一区二区| 国产精品久久国产精麻豆| 加勒比一本heyzo高清视频| 97久久超碰国产精品2021| 国产不卡一区二区av| 黄色av亚洲在线观看| 日本黄页网站免费观看| 久久亚洲成a人片| 少妇又紧又色又爽又刺| 国产亚洲欧洲aⅴ综合一区| 久久精品国产亚洲精品| 日本一区二区三区在线播放|