基于BP神经网络的跳远专项成绩预测模型研究

柯继芳

(黄冈职业技术学院 湖北黄州 438002)

影响体育竞赛成绩的因素很多,最主要的是运动员的体质,但同时运动员的体形、技术特点、心理状态及外界环境等都会在一定程度上影响运动员的竞技成绩。传统的预测方法虽然在一定程度上能够利用运动员个人的训练指标对专项成绩进行预测,从而指导运动员的日常训练,但是这些模型都有比较苛刻的条件限制和使用范围。与传统的预测方法相比,BP神经网络的应用没有严格的条件限制,变量间不需要满足线性、独立性、正态性、方差齐性等条件,该网络具有自组织、自适应及容错性强等特点,从而可以有效的进行数据间的非线性映射,当传统预测模型无法达到目的或者预测效果不好时,使用此模型往往会达到很好的预测效果。

1 研究对象与方法

选取部分国内一流水平的跳远运动员(国家健将)作为研究对象。

BP神经网络,即反向传播,是目前应用比较多的一种。其基本思想是使用梯度搜索理论,使网络实际输出与期望输出的差值的均方达到最小。输入变量Xi通过中间节点影响输出节点,经过复杂的非线性变换过程,生成输出变量Yk,当反应变量与模型的输出变量之差大于事先设定的误差标准时,模型重新设置各层的权值,重新建立模型,直到误差值小于事先设定的误差时训练停止。(见图1)。

图1 BP神经网络计算流程图

2 预测专项成绩的BP神经网络模型

2.1 模型自变量的筛选

由于各项素质训练指标与专项成绩之间的关联强度不同,对于专项成绩预测的影响系数也会不同。需要筛选出对运动员专项成绩影响较大的素质训练指标。利用2008～2009年国家体育总局收录的跳远运动员历史数据信息,对跳远运动员各素质训练指标与专项成绩做相关性分析,计算出各自相关系数(r),结果见表1。由表1可知,运动员的立定三级跳、30m跑、离板瞬间重心腾起初速度、最后5m助跑速度及100m跑等五项素质训练指标与专项成绩之间的相关系数均较大,选取这五项素质训练指标作为运动员专项成绩的预测因子。

2.2 BP神经网络预测模型的建立

2.2.1 网络结构的确定

建立神经网络模型的基础是确定神经网络的结构。Kolmogorov定理指出,给定任一连续函数f:[0,1]I→RJ,f可以精确地用一个三层BP神经网络来实现,此网络的输入层有I个神经元,中间层有2I+1个神经元。本研究选取5个与运动员专项成绩关系密切的预测因子,需要设定5个输入神经元,按照Kolmogorov定理,选用一个隐含层,设定其神经元的个数为11个。输出层为收录的专项成绩数据。

2.2.2 网络的学习

由于BP神经网络模型对(0,1)之间的数最敏感,因此需要将原始数据进行归一化处理,将其归一化到(0,1)范围。具体处理方式如下:

其中xi为原始值,为归一化后的值,Xmin和Xmax分别表示最小值和最大值。把归一化后的数据输入BP神经网络,对训练样本进行学习,使网络输出误差减少到可接受的程度,从而最好的形成训练素质指标与专项成绩之间的映射,以实现对跳远用动员专项成绩的精确预测。由于神经网络要解决的是一个复杂的非线性化问题,学习的计算过程相当复杂,本研究中运用SPSS19.0统计软件对BP神经网络实现训练学习。

表1 素质训练指标与跳远专项成绩之间的相关系数

表2 预测模型的拟和精度

2.2.3 BP神经网络模型的结果

选择跳远运动员2008～2009年的素质训练指标数据,首先进行归一化处理,之后将其代入训练好的神经网络模型中,通过软件的分析处理,得到了专项成绩的预测值。2008～2009年的素质训练指标与专项成绩采用多元线性回归模型表达时,利用最小二乘法来拟合,获得的数学模型为:y=0.35X1+0.2X2-0.18X3-0.26X4+0.29X5+7.68,X1、X2、X3、X4、X5分别代表了前面选定的素质训练指标,即跳远运动员的立定三级跳成绩、30m跑成绩、最后5m助跑速度、100m跑成绩及离板瞬间重心腾起初速度。

利用上述多重线性回归模型,计算得出2008～2009年运动员的专项成绩预测值。(见表2)。

由表2中的误差一栏可见,BP神经网络预测模型的预测误差远低于多元线性回归模型的预测误差。通过计算各种方法的误差值求出BP神经网络模型的平均相对误差为0.048,而多重线性回归模型的平均相对误差为0.188。说明神经网络模型的预测效果优于多重线性回归模型,BP神经网络模型更适于进行跳远运动员专项成绩的预测。

3 结语

本文提出的基于BP神经网络的跳远运动员专项成绩预测方法,具有强大的非线性映射能力和泛化能力,克服了现有跳远运动员专项成绩预测方法的不足,即主观性、随意性,以及要事先确定预测模型的数学表达形式和苛刻的使用条件,具有较高的预测精度。为运动员安排合理科学的训练计划和运动员的选材提供依据,值得进一步探讨和研究。

[1] 徐向军.对青少年田径运动员运动能力发展的影响因素探讨[J].首都体育学院学报,2001,13(2):60-62.

[2] FOREMAN K.The use of talent-predictive factors in the selection of track and field athletes[J].In Gambetta V (Ed.),The Athletic Congress' s T rack and Field Coaching Manual,Champaign,IL:Leisure Press,1989:31-36.

[3] 孙莉,翟永超.基于BP神经网络的服装面料规格参数预测[J].计算机应用与软件,2012,29(17):154-155.