摘要：體育產業(yè)關聯(lián)度高、產值影響力大，促進體育產業(yè)的發(fā)展對帶動區(qū)域經濟發(fā)展具有至關重要的作用。技術能力、轉化能力、經濟支撐是體育產業(yè)創(chuàng)新能力的構成要素，通過K均值算法對體育產業(yè)創(chuàng)新發(fā)展指標進行聚類，同時采用GA算法對BP網絡的初始閾值與權值進行優(yōu)化，得到用于體育產業(yè)創(chuàng)新能力預測的K均值-GA-BP神經網絡模型。將該模型和BP神經網絡預測模型、GA-BP網絡預測模型、K均值-BP網絡模型進行對比，結果表明K均值-GA-BP神經網絡模型對體育產業(yè)創(chuàng)新發(fā)展能力的預測準確率最高，算法運行效率也比較高，這對科學制定體育產業(yè)創(chuàng)新發(fā)展策略具有一定的參考價值。

關鍵詞：K均值聚類算法" GA-BP神經網絡" 體育產業(yè)創(chuàng)新發(fā)展

引言

創(chuàng)新是發(fā)展的動力源泉，是引領經濟發(fā)展新常態(tài)的核心。體育產業(yè)屬于新興產業(yè)，發(fā)展時間比較短，同時發(fā)展規(guī)模也比較小，在發(fā)展的過程中存在動力不足、質量不高、效益不佳等問題。有效地促進體育產業(yè)的健康、可持續(xù)發(fā)展，必須對體育產業(yè)的發(fā)展模式實施改革創(chuàng)新，探索體育產業(yè)發(fā)展新的增長點。張英建對體育產業(yè)創(chuàng)新驅動型發(fā)展機制進行研究，指出要培養(yǎng)創(chuàng)新型人才，營造良好營商環(huán)境，加強知識產權保護，這樣才能突破當前體育產業(yè)創(chuàng)新發(fā)展的瓶頸，使得體育產業(yè)發(fā)展更具生命力。劉兵指出當前體育產業(yè)發(fā)展存在政策引導不夠細化、產業(yè)內容不均衡、產業(yè)升級偏差等問題，同時給出了體育產業(yè)升級的建議路徑。舒成利對體育產業(yè)創(chuàng)新能力和發(fā)展策略進行研究，指出研發(fā)投入較低、科技人才匱乏、科研成果偏少、創(chuàng)新機制不健全是創(chuàng)新力低下的突出體現，要持續(xù)提升體育產業(yè)創(chuàng)新能力，才能更好地促進體育產業(yè)的健康發(fā)展。體育產業(yè)創(chuàng)新發(fā)展是突破當前體育產業(yè)發(fā)展瓶頸的關鍵，論文在前人定性研究的基礎上采取定量化的方式對體育產業(yè)創(chuàng)新發(fā)展策略進行研究，從而更好地促進體育產業(yè)的健康、可持續(xù)發(fā)展。

1、體育產業(yè)創(chuàng)新能力預測模型

1.1、體育產業(yè)創(chuàng)新能力構成

體育產業(yè)關聯(lián)度高、產值與影響力大，體育產業(yè)創(chuàng)新發(fā)展必須要采用先進的科學技術，持續(xù)開發(fā)新產品，引入新工藝等，從而為體育產業(yè)企業(yè)帶來巨大的經濟效益。體育產業(yè)創(chuàng)新能力構成如圖1所示。

技術能力反映了體育產業(yè)的科學技術儲備、企業(yè)的技術水平等多個方面的內容，只有不斷地提升科技含量，才能更好地實現體育產業(yè)的創(chuàng)新發(fā)展。轉化能力反映了企業(yè)對先進科技技術轉化為生產實際并產生經濟效益的能力，即科技成果的轉化，只有更好地在科技成果應用于實際的生產經營中，才能更好地促進體育產業(yè)相關企業(yè)市場競爭力的提升。經濟支撐體現在政府相關部門對體育產業(yè)企業(yè)提供的資金支持，是體育產業(yè)持續(xù)創(chuàng)新的重要保障。

1.2、基于K均值的體育產業(yè)創(chuàng)新聚類分析

K均值聚類算法是經典的數據挖掘算法，通過計算數據對象之間的距離來衡量相似性。設為一組包含個數據的向量，通過距離函數的反復迭代將數據分為類。K均值算法目標函數為誤差平方和函數，表達式為

式中：為第類樣本的個數，為第類樣本的均值，為第類樣本的第個樣本。

對待分類樣本的不同聚類劃分結果，誤差平方和函數的值不同，其中使誤差平方和函數值最小的聚類為最優(yōu)聚類結果。由于不同維度體育產業(yè)創(chuàng)新能力數據存在數量級上的差異，因此在進行K均值聚類分析之前對數據進行歸一化處理，即

式中：為序列中數據最小值，為序列中數據最大值，為序列中的第個數據，為歸一化數據。

1.3、基于BP神經網絡的體育創(chuàng)新能力預測

BP（back propagation）神經網絡是一種多層感知器，具有良好的多維函數映射能力，在工程中具有廣泛的應用。BP神經網絡按照誤差逆向傳播算法進行訓練學習，以使得網絡誤差平方達到最小值為目標函數，采用梯度下降法來計算目標函數的最小值。典型的BP神經網絡結構包含三層，即輸入層、隱藏層、輸出層，具體如圖2所示。

將聚類結果作為外部輸入數據，體育產業(yè)創(chuàng)新能力作為輸出數據，那么輸入數據和輸出數據之間的關系可以表示為

式中：為神經元傳輸函數，為權值矩陣，為偏差矩陣，表示輸入層到隱藏層，表示隱藏層到輸出層。

對于BP神經網絡而言，網絡初始權值及閾值對網絡性能影響比較大，直接影響了網絡預測的準確率和運行時間。遺傳算法（Genetic Algorithm，GA）是美國科學家John holland結合大自然中生物體進化規(guī)律而提出的智能優(yōu)化算法，由于GA具有良好的全局搜索能力且算法復雜度比較小，因此在工程中具有十分廣泛的應用。本文采用GA對BP神經網絡的初始權值及閾值進行優(yōu)化。對初始化權值和閾值進行編碼，初始化種群，計算適應度函數。GA的核心運算為選擇、交叉、變異，通過選擇操作來挑選優(yōu)化的個體，通過交叉操作和變異操作實現生物遺傳基因的重組。設交叉概率為，兩個配對個體在實施基因交換之后產生新的個體，數學模型為

式中：和分別為第個體和第個體在位置的基因，為區(qū)間內隨機數。

設變異概率為，對數值比較小的選擇第個體處于位置的基因進行變異操作，數學模型為

式中：和為基因的最小值和最大值，和為區(qū)間內隨機數，為當前迭代次數，為最大迭代次數。

1.4、體育產業(yè)創(chuàng)新能力預測模型

我國體育產業(yè)總體規(guī)模快速發(fā)展，體育相關產業(yè)、體育消費等指標均顯著提升，但是體育產業(yè)在發(fā)展實踐中還存在許多的問題，其根源在于體育產業(yè)創(chuàng)新能力不足。基于K均值聚類和BP神經網絡構建體育產業(yè)創(chuàng)新能力預測模型，具體如圖3所示。

由圖3可知，體育產業(yè)創(chuàng)新能力預測模型主要包含三部分：第一部分是對體育產業(yè)發(fā)展數據庫中數據進行篩選，找出和創(chuàng)新能力相關的各種指標數據，如體育產業(yè)科技人數、體育產業(yè)研發(fā)投入、體育產業(yè)經濟收入等，將非量化指標進行量化處理，同時對創(chuàng)新能力指標數據進行歸一化處理，設置聚類數k=3進行歸類分析，得到技術能力、轉化能力、經濟支撐的聚類中心。第二部分是確定網絡拓撲結構，對BP神經網絡進行初始化，同時采用GA算法對BP神經網絡的初始權值及閾值進行優(yōu)化，得到優(yōu)化后的BP神經網絡。第三部分是將樣本數據按照8：2的比例劃分為訓練樣本和測試樣本，對BP神經網絡進行訓練學習，同時采用測試樣本驗證體育產業(yè)創(chuàng)新能力預測網絡的性能。

2、實例分析

2.1、數據來源

體育產業(yè)創(chuàng)新發(fā)展是突破發(fā)展瓶頸，獲得高質量發(fā)展的關鍵所在。各地經濟推進體育產業(yè)的創(chuàng)新發(fā)展，但是整體的創(chuàng)新能力還有待進一步提升。論文選擇浙江省為例，對浙江省體育產業(yè)發(fā)展數據庫進行分析，提取創(chuàng)新能力指標，具體如圖4所示。

由圖5可知，科技人才學歷、現有技術、創(chuàng)新激勵機制、創(chuàng)新重視程度以及技術儲備水平五個指標為非量化指標，因此采用問卷調查的方式進行量化處理，同時對所有的創(chuàng)新能力指標數據進行歸一化處理，作為論文研究的原始數據。

2.2、結果分析

利用K均值算法對原始數據進行聚類，得到不同企業(yè)體育創(chuàng)新能力的聚類結果。限于論文篇幅限制，僅給出四個體育產業(yè)企業(yè)的聚類分析結果，如圖5所示。

將聚類分析結果作為改進BP神經網絡的輸入，對體育產業(yè)創(chuàng)新能力進行預測。為了驗證本文采用方法的有效性，將其和BP神經網絡預測模型、GA-BP網絡預測模型、K均值-BP網絡模型進行對比，體育產業(yè)創(chuàng)新能力預測準確率結果如圖6所示，體育產業(yè)創(chuàng)新能力預測運行時間如圖7所示。

由圖6可知，BP網絡和K均值-BP網絡在體育產業(yè)創(chuàng)新能力預測方面的準確率相差不大，GA-BP網絡和K均值-GA-BP網絡在體育產業(yè)創(chuàng)新能力預測方面的準確率相差不大，同時預測準確率相對比較高，即采用GA算法對BP神經網絡的初始權值與閾值進行優(yōu)化大大提升了BP神經網絡的性能。

由圖7可知，GA-BP網絡對體育產業(yè)創(chuàng)新能力預測所用的時間最長，且遠遠高于其它的預測模型，K均值-BP網絡和K均值-GA-BP網絡對體育產業(yè)創(chuàng)新能力預測所用的時間差別不大，即對數據進行K均值聚類之后輸入網絡中能夠使得算法的復雜度大大降低。

綜合對比四種不同的預測模型，K均值-GA-BP網絡在體育產業(yè)創(chuàng)新能力預測方面的性能最佳。通過對體育產業(yè)創(chuàng)新發(fā)展能力的預測來更好地了解體育產業(yè)的創(chuàng)新發(fā)展狀況，有效地確保體育產業(yè)的快速發(fā)展。

3、結論

體育產業(yè)在帶動當地經濟發(fā)展方面發(fā)揮著至關重要的作用，突破體育產業(yè)發(fā)展瓶頸，必須實施體育產業(yè)的創(chuàng)新發(fā)展。本文基于聚類法分析與神經網絡構建了體育產業(yè)創(chuàng)新能力預測的K均值-GA-BP模型，同時將該模型與BP網絡、GA-BP網絡、K均值-BP網絡模型進行對比。結果表明，K均值-GA-BP網絡預測模型對體育產業(yè)創(chuàng)新能力預測的準確率比較高，同時模型的運行時間相對也比較短。本論文的研究對定量了解體育產業(yè)創(chuàng)新能力，更好地指導體育產業(yè)的創(chuàng)新發(fā)展具有一定的參考價值。

參考文獻：

[1]張英建.我國體育產業(yè)創(chuàng)新驅動型發(fā)展機制研究[J].廣州體育學院學報，2019，39（4）.

[2]劉兵.我國體育產業(yè)發(fā)展的內在動力、存在問題與升級路徑[J].武漢體育學院學報，2019，53（8）.

[3]舒成利，智勇.我國體育產業(yè)創(chuàng)新能力與發(fā)展策略研究[J].體育文化導刊，2007（5）.

[4]滕守剛.湖北省體育產業(yè)創(chuàng)新能力分析及發(fā)展對策研究[J].科技進步與對策，2011，28（24）.

[5]Guo Rui， Chen Jinqian， Wang Lin. Hierarchical K-means clustering for registration of multi-view point sets[J].computers and electrical Engineering，2021，（94）.

[6]馬鳳英，于文志.基于BP神經網絡的秸稈發(fā)酵過程乙醇濃度軟測量方法[J].傳感器與微系統(tǒng)，2021，40（7）.

[7]陳遠玲，王肖，孫英杰等.基于GA-BP神經網絡的甘蔗收獲質量預測[J].農機化研究，2021，44（2）.

[8]鄭朝沙，符壯.體醫(yī)融合相關體育產業(yè)創(chuàng)新發(fā)展研究[J].廣州體育學院學報，2020，40（1）.

[9]閆巧珍，董禮平.青少年體質健康促進研究現狀[J].體育師友，2019，42（3）.

[10]吳秀云，李華龍.校園體育文化對學生終身體育意識的影響研究[J].當代體育科技，2018，8（28）.

[11]曹衛(wèi)東.新時代中國體育教育改革創(chuàng)新研究[J].體育文化導刊，2019，（2）.

[12]任海.身體素養(yǎng)與青少年體育改革[J].體育文化與產業(yè)研究，2021（1）.

[13]王運成，周春華，陳楚湘，等.基于二叉知識樹推理的可擴展智能排課系統(tǒng)[J].計算機工程與應用，2021，57（5）.

作者簡介：崔朋濤，男，漢族，講師，碩士研究生，研究方向：學校體育學、社會體育學。