摘要：針對田徑運(yùn)動員專項(xiàng)體能訓(xùn)練時(shí)數(shù)據(jù)采集受概念漂移的影響，導(dǎo)致采集結(jié)果不精準(zhǔn)的問題，提出基于長短期記憶網(wǎng)絡(luò)的田徑運(yùn)動員專項(xiàng)體能訓(xùn)練即時(shí)數(shù)據(jù)采集方法.該方法采用長短期記憶網(wǎng)絡(luò)，構(gòu)建數(shù)據(jù)采集模型；通過聚焦式控制機(jī)制，訓(xùn)練數(shù)據(jù)采集模型，并且結(jié)合雙緩存模式，連續(xù)采集即時(shí)數(shù)據(jù)；選取滑動窗口，剔除異常數(shù)據(jù)，實(shí)現(xiàn)即時(shí)數(shù)據(jù)有效采集.通過驗(yàn)證結(jié)果可知：該方法訓(xùn)練時(shí)間采集結(jié)果與實(shí)際數(shù)據(jù)最大相差60 s，與傳統(tǒng)方法相比，即時(shí)數(shù)據(jù)采集結(jié)果更加精準(zhǔn).

關(guān)鍵詞：長短期記憶網(wǎng)絡(luò)；田徑運(yùn)動員；專項(xiàng)體能訓(xùn)練；即時(shí)數(shù)據(jù)采集

中圖分類號：G822；TP274⁺.2 文獻(xiàn)標(biāo)志碼：A

Real-Time Data Collection of Special Physical Training for Track

and Field Athletes Based on Long-Term and Short-Term Memory Network

ZHOU Jian

（Department of Physical Education， Tongling University， Tongling 244000， Anhui， China）

Abstract：In order to solve the problem of inaccurate data collection results caused by concept drift during special physical training of track and field athletes， a real-time data collection method for special physical training of track and field athletes based on long-term and short-term memory network is proposed. The method uses long-term and short-term memory network to construct data acquisition model. Through the focusing control mechanism， the data acquisition model is trained， and combined with the dual cache mode， the real-time data is continuously collected. Sliding window is selected to eliminate abnormal data and realize effective real-time data collection. It can be seen from the verification results that the maximum difference between the training time acquisition results of this method and the actual data is 60s. Compared with the traditional method， the real-time data acquisition results are more accurate.

Key words：long-term and short-term memory network; track and field athlete; specific physical training; real-time data acquisition

田徑數(shù)據(jù)采集是田徑運(yùn)動員獲取體能訓(xùn)練數(shù)據(jù)的一種手段，并且田徑比賽中有著不同的數(shù)據(jù)收集方式.近年來，隨著科技發(fā)展，田徑運(yùn)動中出現(xiàn)了大量的數(shù)據(jù)采集方法，其中包括運(yùn)動員的訓(xùn)練內(nèi)容、心率、步數(shù)等.數(shù)據(jù)采集技術(shù)需求越來越大，數(shù)據(jù)采集方法不斷完善，但是目前田徑運(yùn)動員在進(jìn)行專業(yè)體能訓(xùn)練時(shí)，數(shù)據(jù)采集主要是通過計(jì)算機(jī)實(shí)時(shí)采集數(shù)據(jù)，該方法存在數(shù)據(jù)采集精度低的問題，無法為提高運(yùn)動員的訓(xùn)練質(zhì)量提供有效的即時(shí)數(shù)據(jù).在運(yùn)動員的訓(xùn)練中，及時(shí)地了解訓(xùn)練相關(guān)信息，對提高訓(xùn)練的效果和質(zhì)量起著重要作用.由于運(yùn)動員在訓(xùn)練中不能及時(shí)地記錄訓(xùn)練的數(shù)據(jù)，因此，不能準(zhǔn)確地判斷訓(xùn)練強(qiáng)度，需要實(shí)時(shí)采集即時(shí)數(shù)據(jù).王子馨等^［1］研究了基于長短期記憶網(wǎng)絡(luò)的缺失數(shù)據(jù)恢復(fù)方法，該方法采集的數(shù)據(jù)準(zhǔn)確性較高，但是其未考慮異常數(shù)據(jù)，僅適用于缺失數(shù)據(jù)類型的采集，適用范圍較小.楊業(yè)雙^［2］研究了基于無線傳感器網(wǎng)絡(luò)的健身訓(xùn)練數(shù)據(jù)實(shí)時(shí)采集方法，但是該方法在實(shí)際應(yīng)用中的數(shù)據(jù)采集結(jié)果與實(shí)際結(jié)果的差異較大.Xi Yongping等^［3］研究了一種基于實(shí)時(shí)圖像采集和數(shù)據(jù)仿真的人體運(yùn)動數(shù)據(jù)采集方法，但是該方法的訓(xùn)練時(shí)間采集數(shù)據(jù)準(zhǔn)確性較低.針對上述問題，提出了基于長短期記憶網(wǎng)絡(luò)的田徑運(yùn)動員專項(xiàng)體能訓(xùn)練即時(shí)數(shù)據(jù)采集方法.以期為田徑運(yùn)動員提供助力.

1 長短期記憶網(wǎng)絡(luò)的數(shù)據(jù)采集模型

針對田徑運(yùn)動員專項(xiàng)體能訓(xùn)練即時(shí)數(shù)據(jù)采集，結(jié)合長短期記憶網(wǎng)絡(luò)構(gòu)建采集模型，數(shù)據(jù)采集模型如圖1所示.

基于長短期記憶網(wǎng)絡(luò)的數(shù)據(jù)采集模型的構(gòu)建步驟如下：

步驟1：針對需要即時(shí)采集數(shù)據(jù)的觀測點(diǎn)，先從觀測點(diǎn)中采集多個(gè)時(shí)間段的歷史統(tǒng)計(jì)數(shù)據(jù)，然后將各個(gè)時(shí)間段的統(tǒng)計(jì)數(shù)據(jù)按照下述公式歸一化處理，從而標(biāo)準(zhǔn)化時(shí)間序列.

式中：n表示維數(shù)；x_max、x_min分別表示某組維數(shù)的最大值和最小值.

步驟2：在一維標(biāo)準(zhǔn)化的一維陣列中，引入滑動窗口，獲取多個(gè)訓(xùn)練樣本量，每個(gè)訓(xùn)練樣本量與上一個(gè)時(shí)間點(diǎn)的統(tǒng)計(jì)數(shù)據(jù)一致，并將其作為一個(gè)標(biāo)記訓(xùn)練樣本，每個(gè)訓(xùn)練樣本在不同時(shí)間點(diǎn)包含了大量的數(shù)據(jù)^［4］.

步驟3：為了提高數(shù)據(jù)采集模型的精度，應(yīng)用一種連續(xù)概率分布的加權(quán)貝塔分布方法，計(jì)算樣本特征加權(quán)參數(shù)的貝塔分布均值

式中：λ_k、λ-_k分別表示第k次計(jì)算后的加權(quán)參數(shù)和均值；b表示貝塔分布常數(shù).

步驟4：構(gòu)建長短期記憶網(wǎng)絡(luò)的數(shù)據(jù)采集模型輸入門，過濾無效數(shù)據(jù)，并向長短期記憶單元添加有用數(shù)據(jù)^［5-6］.輸入門樣本數(shù)據(jù)可表示為：

式中：ω_xk、ω_hk、ω_gk分別表示輸入門與特征數(shù)據(jù)、輸入門與隱藏狀態(tài)和輸入門與訓(xùn)練狀態(tài)之間的權(quán)重系數(shù)；ε表示激活函數(shù)系數(shù)；h_k－1、g_k－1分別表示隱藏狀態(tài)和訓(xùn)練狀態(tài)；a_k表示輸入門偏置項(xiàng)；x_k表示輸入數(shù)據(jù)^［7-9］.

步驟5：構(gòu)建遺忘門，刪除記憶單元中的無效數(shù)據(jù)

式中：ω′_xk、ω′_hk、ω′_gk分別表示遺忘門與特征數(shù)據(jù)、遺忘門與隱藏狀態(tài)和遺忘門與訓(xùn)練狀態(tài)之間的權(quán)重系數(shù)；b_k表示遺忘門偏置項(xiàng)^［10］.

步驟6：構(gòu)建輸出門，即基于長短期記憶網(wǎng)絡(luò)的數(shù)據(jù)采集模型輸出

式中：ω″_xk、ω″_hk、ω″_gk分別表示輸出門與特征數(shù)據(jù)、輸出門與隱藏狀態(tài)和輸出門與訓(xùn)練狀態(tài)之間的權(quán)重系數(shù)；c_k表示遺忘門偏置項(xiàng)^［11］.

長短期記憶網(wǎng)絡(luò)構(gòu)建的數(shù)據(jù)采集模型能夠?qū)崟r(shí)更新模型參數(shù)，具備模型微調(diào)功能.

2 專項(xiàng)體能訓(xùn)練即時(shí)數(shù)據(jù)采集

2.1 基于長短期記憶網(wǎng)絡(luò)的模型訓(xùn)練

為了使模型能夠有選擇的訓(xùn)練，在數(shù)據(jù)采集模型的基礎(chǔ)上，設(shè)計(jì)一種控制機(jī)制，即基于長短期記憶的聚焦式控制機(jī)制.利用控制矢量和門控機(jī)制的門閥控制單元，按照控制矢量選擇性控制目前的輸入.首先，門閥控制單元基于上一次訓(xùn)練狀態(tài)和當(dāng)前時(shí)刻輸入值，計(jì)算出門閥權(quán)值^［2］.通過分析門閥控制單元的輸入數(shù)據(jù)，構(gòu)建基于長短期記憶的聚焦式控制機(jī)制，

式中：f表示聚焦式打分函數(shù)；v_k表示輸入特征；u表示實(shí)體特征.

根據(jù)輸入和控制向量，輸入控制器管理輸入的數(shù)據(jù)，即有選擇地遺忘輸入數(shù)據(jù)，該操作僅對輸入數(shù)據(jù)有效.該機(jī)制可以直接地有效處理輸入數(shù)據(jù)，而且不會對采集過程產(chǎn)生任何影響^［13-14］.在特征級別聚焦式注意力計(jì)算時(shí)，輸入特征值是由實(shí)體特征組成的，數(shù)據(jù)在選擇聚焦式控制打分函數(shù)時(shí)使用雙線性模型，獲取最終訓(xùn)練結(jié)果.

2.2 即時(shí)數(shù)據(jù)雙緩沖模式采集

由于長短期記憶網(wǎng)絡(luò)處理訓(xùn)練結(jié)果不能直接輸入模型，需要將訓(xùn)練結(jié)果轉(zhuǎn)化為向量數(shù)據(jù)，因此，構(gòu)建基于編碼層結(jié)構(gòu)，其作為模型輸入層，該結(jié)構(gòu)具有較強(qiáng)的魯棒性^［15-17］.在訓(xùn)練層次上，采用雙向控制輸入和長短時(shí)記憶網(wǎng)絡(luò)結(jié)構(gòu)，將實(shí)體信息表示為起始點(diǎn)，而編碼層面上提取的編碼向量也為實(shí)體向量形式.在此基礎(chǔ)上，將頭、尾兩種實(shí)體的結(jié)合方式輸入到控制輸入短時(shí)存儲器中，實(shí)現(xiàn)了注意力計(jì)算^［18］.

根據(jù)訓(xùn)練結(jié)果，結(jié)合長短期記憶網(wǎng)絡(luò)，實(shí)現(xiàn)用數(shù)學(xué)模型表示田徑運(yùn)動員專項(xiàng)體能訓(xùn)練即時(shí)數(shù)據(jù)采集問題：假設(shè)采集時(shí)長為tk+1，將n個(gè)專項(xiàng)體能訓(xùn)練指標(biāo)數(shù)據(jù)k-n+1，k作為數(shù)據(jù)采集模型得帶輸入，由此構(gòu)建的數(shù)學(xué)模型為：

通過構(gòu)建的數(shù)據(jù)模型，減少數(shù)據(jù)采集出現(xiàn)過擬合現(xiàn)象^［19］.

基于該模型，采用雙緩存模式采集即時(shí)數(shù)據(jù)，步驟如下：

步驟1：在雙緩存模式下，一次性緩存大量數(shù)據(jù)到數(shù)據(jù)模型，并在緩沖結(jié)尾處寫數(shù)據(jù)；

步驟2：重復(fù)步驟1，并刪除舊數(shù)據(jù)，并將緩存數(shù)據(jù)分割成兩段等長；

步驟3：向一個(gè)緩存端寫入數(shù)據(jù)，并將數(shù)據(jù)復(fù)制到傳送緩沖中進(jìn)行緩存；

步驟4：當(dāng)另一緩存端寫入數(shù)據(jù)進(jìn)行到一半時(shí)，需先覆蓋一部分舊數(shù)據(jù)，之后才能繼續(xù)緩存；

步驟5：重復(fù)上述步驟，直到全部數(shù)據(jù)緩存完畢后，即可獲取全部即時(shí)數(shù)據(jù)采集結(jié)果.

2.3 異常數(shù)據(jù)剔除

由于長短期記憶網(wǎng)絡(luò)能夠緩存大量數(shù)據(jù)，且網(wǎng)絡(luò)結(jié)構(gòu)具備遺忘門，因此迅速地了解到新的數(shù)據(jù)特性.根據(jù)數(shù)據(jù)特性，實(shí)時(shí)更新網(wǎng)絡(luò)數(shù)據(jù)，避免印數(shù)據(jù)概念漂移問題影響即時(shí)數(shù)據(jù)采集結(jié)果^［20］.此外，在每個(gè)數(shù)據(jù)中，設(shè)置尺寸適當(dāng)?shù)幕瑒哟翱谀M各數(shù)據(jù)之間的差值，并按照概率密度劃分異常數(shù)據(jù)，及時(shí)剔除密度過大或過小的數(shù)據(jù).

將不正常得分和設(shè)定門限相比較，超過門限的數(shù)據(jù)視為異常數(shù)據(jù).然而，由于數(shù)據(jù)流的概念漂移問題，導(dǎo)致正常數(shù)據(jù)和異常數(shù)據(jù)模式改變.僅憑差分法劃分正常數(shù)據(jù)和異常數(shù)據(jù)，會造成概念漂移后的異常分值不夠精確.因此，選擇合適的滑動窗口能夠依據(jù)差值序列構(gòu)建評判模塊，然后計(jì)算差異，將其作為一個(gè)非正常點(diǎn).異常分?jǐn)?shù)取決于某一時(shí)間點(diǎn)與前一周期的集合差異.在不同的數(shù)據(jù)流中，異常分?jǐn)?shù)的分布會有所變化，從而改善其精確度.

采集的數(shù)據(jù)中出現(xiàn)異常數(shù)據(jù)，則說明采集的數(shù)據(jù)具有不可靠性，此時(shí)需要建立數(shù)據(jù)分布空間模型，該模型內(nèi)的全部數(shù)據(jù)采集模式應(yīng)全部一致.設(shè)第j個(gè)異常數(shù)據(jù)，在時(shí)刻t_aj到t₀時(shí)刻的區(qū)間為建模分布區(qū)間.在該區(qū)間內(nèi)，為了使模型更加符合即時(shí)數(shù)據(jù)采集模式，需選擇適當(dāng)?shù)幕瑒哟翱冢@取均勻分布函數(shù).如果在一定周期內(nèi)，持續(xù)產(chǎn)生異常數(shù)據(jù)，那么第j個(gè)異常數(shù)據(jù)所在的分布區(qū)間會很短，導(dǎo)致數(shù)據(jù)采集精度不高.因此，設(shè)定滑動窗口的最小長度t_L，如果t_aj≥t₀－t_L，則選取t₀－t_L，t₀作為滑動窗口的區(qū)間范圍.

設(shè)模型輸出結(jié)果在0，1范圍內(nèi)，（0，sore表示正常狀態(tài)數(shù)據(jù)，sore，1表示異常狀態(tài)數(shù)據(jù)，其中sore表示異常分?jǐn)?shù).根據(jù)歷史數(shù)據(jù)分位數(shù)，計(jì)算異常分?jǐn)?shù)公式為：

式中：f（·）表示某點(diǎn)概率計(jì)算函數(shù)；F（x）表示正態(tài)分布函數(shù)；x表示訓(xùn)練樣本；z表示異常樣本.

計(jì)算異常分?jǐn)?shù)后，將其與設(shè)定閾值進(jìn)行對比分析，如果計(jì)算結(jié)果大于閾值，則說明該數(shù)據(jù)為異常數(shù)據(jù)，反之為正常數(shù)據(jù)，以此實(shí)現(xiàn)即時(shí)數(shù)據(jù)采集.

3 實(shí)驗(yàn)部分

田徑運(yùn)動一直是奧運(yùn)會比賽項(xiàng)目，并且持續(xù)受到人們的熱愛和關(guān)注.因此，本次實(shí)驗(yàn)以田徑項(xiàng)目為例，選擇某次國家田徑運(yùn)動員隊(duì)的體能訓(xùn)練數(shù)據(jù)，實(shí)驗(yàn)驗(yàn)證分析基于長短期記憶網(wǎng)絡(luò)的田徑運(yùn)動員專項(xiàng)體能訓(xùn)練即時(shí)數(shù)據(jù)采集研究合理性.

3.1 實(shí)驗(yàn)設(shè)計(jì)思路

使用Excel2016統(tǒng)計(jì)處理各項(xiàng)實(shí)際數(shù)據(jù)，結(jié)合W檢驗(yàn)方法鑒定數(shù)據(jù)可靠性，避免數(shù)據(jù)影響實(shí)驗(yàn)結(jié)果.設(shè)置訓(xùn)練周期為12周，一周進(jìn)行三次，即每周一、三、五，在這些時(shí)間段下安排訓(xùn)練內(nèi)容，根據(jù)運(yùn)動員實(shí)際運(yùn)動情況，及時(shí)調(diào)整訓(xùn)練計(jì)劃.

第1階段運(yùn)動員體能訓(xùn)練內(nèi)容及安排如表1所列.

第1階段訓(xùn)練強(qiáng)度相對較小，主要是給運(yùn)動員身體適應(yīng)的時(shí)間，該階段主要是小負(fù)荷訓(xùn)練為主，在確定了一周訓(xùn)練內(nèi)容后，接下來的訓(xùn)練需要加強(qiáng)訓(xùn)練強(qiáng)度.

通常情況下，田徑項(xiàng)目需要使用大量能量，為了避免訓(xùn)練受到損傷，需在保證安全前提下控制訓(xùn)練強(qiáng)度.經(jīng)過第1階段訓(xùn)練之后，運(yùn)動員身體逐漸適應(yīng)，為此，在第2階段應(yīng)增強(qiáng)靈敏協(xié)調(diào)性和爆發(fā)力方面的訓(xùn)練.

第2階段運(yùn)動員體能訓(xùn)練內(nèi)容及安排如表2所列.

在前2個(gè)階段訓(xùn)練基礎(chǔ)上，根據(jù)運(yùn)動員反饋，及時(shí)調(diào)整第3階段訓(xùn)練內(nèi)容.在第3階段以速度訓(xùn)練為主，其余訓(xùn)練內(nèi)容均以全身協(xié)調(diào)為輔.

第3階段以速度訓(xùn)練為中心，鍛煉核心力量.第3階段運(yùn)動員體能訓(xùn)練內(nèi)容及安排如表3所列.

3.2 實(shí)驗(yàn)結(jié)果與分析

以3個(gè)階段的每周一、三、五最后3項(xiàng)訓(xùn)練時(shí)間為研究指標(biāo)，將其作為實(shí)驗(yàn)數(shù)據(jù)，分別使用文獻(xiàn)［1］方法、文獻(xiàn)［2］方法和基于長短期記憶網(wǎng)絡(luò)的即時(shí)數(shù)據(jù)采集方法對比分析訓(xùn)練時(shí)間采集數(shù)據(jù)，對比結(jié)果如圖2所示.

由圖2（a）可知，使用文獻(xiàn)［1］方法在B4訓(xùn)練內(nèi)容的訓(xùn)練時(shí)間與實(shí)際數(shù)據(jù)相差最大，差值為180 s；使用文獻(xiàn)［2］方法也在B6訓(xùn)練內(nèi)容的訓(xùn)練時(shí)間與實(shí)際數(shù)據(jù)相差大，差值為240 s；使用基于長短期記憶網(wǎng)絡(luò)的采集方法采集的訓(xùn)練時(shí)間數(shù)據(jù)與實(shí)際數(shù)據(jù)一致，差值為0.

由圖2（b）可知，使用文獻(xiàn)［1］方法在C12訓(xùn)練內(nèi)容的訓(xùn)練時(shí)間與實(shí)際數(shù)據(jù)相差最大，差值為280 s；使用文獻(xiàn)［2］方法也在C12訓(xùn)練內(nèi)容的訓(xùn)練時(shí)間與實(shí)際數(shù)據(jù)相差最大，差值為270 s；使用基于長短期記憶網(wǎng)絡(luò)的采集方法在C13、C14訓(xùn)練內(nèi)容的訓(xùn)練時(shí)間與實(shí)際數(shù)據(jù)存在偏差，差值為60 s.

由圖2（c）可知，使用文獻(xiàn)［1］方法在B20訓(xùn)練內(nèi)容的訓(xùn)練時(shí)間與實(shí)際數(shù)據(jù)相差最大，差值為300 s；使用文獻(xiàn)［2］方法也在B20訓(xùn)練內(nèi)容的訓(xùn)練時(shí)間與實(shí)際數(shù)據(jù)相差最大，差值為240 s；使用基于長短期記憶網(wǎng)絡(luò)的采集方法僅在C22訓(xùn)練內(nèi)容的訓(xùn)練時(shí)間與實(shí)際數(shù)據(jù)存在偏差，差值僅為60 s.

通過上述分析結(jié)果可知，基于長短期記憶網(wǎng)絡(luò)的采集方法的最大偏差僅為60 s，低于其他數(shù)據(jù)采集方法180 s以上，由此可知，基于長短期記憶網(wǎng)絡(luò)的采集方法采集數(shù)據(jù)更加精準(zhǔn).

4 結(jié)語

為了提高田徑運(yùn)動員專項(xiàng)體能訓(xùn)練的即時(shí)數(shù)據(jù)采集精度，提出基于長短期記憶網(wǎng)絡(luò)的田徑運(yùn)動員專項(xiàng)體能訓(xùn)練即時(shí)數(shù)據(jù)采集方法，該方法通過構(gòu)建基于長短期記憶網(wǎng)絡(luò)的數(shù)據(jù)采集模型，采集專項(xiàng)體能訓(xùn)練即時(shí)數(shù)據(jù).為了解決采集數(shù)據(jù)中的概念漂移問題，采用了一種基于滑動窗口的數(shù)據(jù)異常采集技術(shù)，動態(tài)地為每一個(gè)數(shù)據(jù)指定一個(gè)更適當(dāng)?shù)漠惓７謹(jǐn)?shù)，從而提高了數(shù)據(jù)的采集精度，并通過實(shí)驗(yàn)驗(yàn)證了該點(diǎn).為了更好地應(yīng)用該方法，需要對模型參數(shù)進(jìn)行進(jìn)一步優(yōu)化研究.因此，在以后研究中，充分考慮在控制矢量的基礎(chǔ)上，如何在減小參數(shù)數(shù)目的情況下進(jìn)行更好的選擇，并改進(jìn)控制矢量產(chǎn)生方法.

參考文獻(xiàn)：

［1］ 王子馨，胡俊杰，劉寶柱.基于長短期記憶網(wǎng)絡(luò)的電力系統(tǒng)量測缺失數(shù)據(jù)恢復(fù)方法［J］.電力建設(shè)，2021，42（5）：1-8.

［2］ 楊業(yè)雙.基于無線傳感器網(wǎng)絡(luò)的健身訓(xùn)練數(shù)據(jù)實(shí)時(shí)采集方法研究［J］.蘭州文理學(xué)院學(xué)報(bào)（自然科學(xué)版），2022，36（4）：53-58.

［3］ XI Y P，YANG S D，WANG P L，et al.Human motion system model based on real-time image acquisition and data simulation［J］.International Journal of Engineerin，2021，29（3）：175-181.

［4］ 龔大偉，徐寶鶴，陸麗.基于改良式SPI總線和LBbVIEW的多通道數(shù)據(jù)采集系統(tǒng)［J］.儀表技術(shù)與傳感器，2022（3）：74-79.

［5］ 張鵬，劉靜軒，張文婕，等.我國高水平健美操運(yùn)動員專項(xiàng)體能評價(jià)指標(biāo)體系及其模型構(gòu)建［J］.西安體育學(xué)院學(xué)報(bào)，2021，38（5）：633-640.

［6］ 李雙玲，楊光，朱寶峰，等.基于結(jié)構(gòu)熵和因子分析的我國優(yōu)秀男子冰球運(yùn)動員專項(xiàng)體能關(guān)鍵指標(biāo)研究［J］.北京體育大學(xué)學(xué)報(bào)，2021，44（12）：110-124.

［7］ 鄺俊澎，楊志軍，孫晗，等.基于BISS協(xié)議絕對式光柵尺數(shù)據(jù)采集系統(tǒng)設(shè)計(jì)［J］.儀表技術(shù)與傳感器，2020（7）：52-56.

［8］ 馬志強(qiáng)，岳蕓竹.面向即時(shí)數(shù)據(jù)采集與分析的學(xué)習(xí)投入縱向研究——基于經(jīng)驗(yàn)取樣法與交叉滯后分析的綜合應(yīng)用［J］.電化教育研究，2020，41（4）：71-77.

［9］ 王建明，鐘建春，于亞光.采用激光測距數(shù)據(jù)估計(jì)短跑步態(tài)和參數(shù)的方法［J］.北京師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2020，56（4）：514-521.

［10 ］ 李世軍.大數(shù)據(jù)視角下田徑跳躍項(xiàng)目專項(xiàng)力量訓(xùn)練數(shù)據(jù)分析——評《體育教學(xué)的信息化教學(xué)理論與實(shí)踐研究》［J］.中國科技論文，2020，15（8）：987.

［11］ 楊柯，范世東.基于長短期記憶網(wǎng)絡(luò)時(shí)序數(shù)據(jù)趨勢預(yù)測及應(yīng)用［J］.推進(jìn)技術(shù)，2021，42（3）：675-682.

［12］ 楊智偉，劉灝，畢天姝，等.基于長短期記憶網(wǎng)絡(luò)的PMU不良數(shù)據(jù)檢測方法［J］.電力系統(tǒng)保護(hù)與控制，2020，48（7）：1-9.

［13］ 楊志軍，毛磊，丁洪偉.基于長短期記憶網(wǎng)絡(luò)的輪詢系統(tǒng)性能預(yù)測［J］.云南大學(xué)學(xué)報(bào)（自然科學(xué)版），2020，42（6）：1046-1052.

［14］ 楊淵，崔乾道，練繼建，等.基于長短期記憶神經(jīng)網(wǎng)絡(luò)的空間網(wǎng)格結(jié)構(gòu)損傷預(yù)測和評估［J］.工業(yè)建筑，2021，51（7）：203-208.

［15］ 周雪晴，張占松，朱林奇，等.基于雙向長短期記憶網(wǎng)絡(luò)的流體高精度識別新方法［J］.中國石油大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，45（1）：69-76.

［16］ 孫健，何家欣，閆琪.基于“數(shù)據(jù)驅(qū)動決策”的體育院校專項(xiàng)體能訓(xùn)練研究與進(jìn)展［J］.廣州體育學(xué)院學(xué)報(bào)，2020，40（3）：1-3.

［17］ 鐘平，龔明波.鏈球運(yùn)動員身體素質(zhì)與專項(xiàng)成績相關(guān)關(guān)系的神經(jīng)網(wǎng)絡(luò)模型［J］.廣州體育學(xué)院學(xué)報(bào)，2004（1）：33-35.

［18］ 趙勇，蘇丹.基于4種長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)組合模型的畸形波預(yù)報(bào)［J］.上海交通大學(xué)學(xué)報(bào)，2022，56（4）：516-522.

［19］ 肖勇，鄭楷洪，鄭鎮(zhèn)境，等.基于多尺度跳躍深度長短期記憶網(wǎng)絡(luò)的短期多變量負(fù)荷預(yù)測［J］.計(jì)算機(jī)應(yīng)用，2021，41（1）：231-236.

［20］ 高平，胡亦海，余銀，等.優(yōu)秀激流回旋運(yùn)動員體能訓(xùn)練負(fù)荷安排實(shí)證研究［J］.中國體育科技，2021，57（1）：66-71.

［責(zé)任編輯：紀(jì)彩虹］