基于大数据的运动员训练进度智能制定系统设计

马丽君

（咸阳师范学院体育学院，陕西咸阳712000）

传统的训练进度定制系统存在一定的，系统终端无法快速的对大数据进行处理，导致其执行缓慢，严重影响了训练进度的定制[1-2]。针对上述问题，本文设计了一种大数据环境下优秀运动员训练进度智能定制系统。在硬件的设计上采用了技术顶尖的MAHSUH服务器[3]来对大数据进行收集处理，其过程较之于传统方法更加快捷。引进先进的Okumura-Hata智能模型[4]能够有效的解决大数据进行趋势划分过程中出现的数据波动，同时实现了智能操作，加速了运动训练进度智能化的进程，帮助运动员最大限度地发掘潜能，从而冲击更优异的成绩。为了验证设计的大数据环境下皮划艇运动员训练进度智能定制系统设计的有效性，模拟使用环境进行了仿真对比实验，把提出的智能定制系统与传统的训练进度定制系统进行比较。通过实验数据的有效证明，验证了提出的的智能定制系统能够进行快速准确的进度智能定制。

1 MAHSUH服务器的引入

文中设计的大数据环境下优秀运动员训练进度智能定制系统，能够针对传统训练进度定制系统存在的效率低下问题以及智能型较弱问题，进行优化设计。设计的大数据环境下优秀运动员训练进度智能定制系统在硬件上必须提高运存能力，并且在特定条件下能够对大数据进行筛选，方便为后续的大数据处理提供一定的基础准备[5]。智能制定训练计划利用新型的BOT-6765连续智能进度器来代替传统定制进度生成系统，能够根据捕捉到的平滑艇运动员训练中的体能数据进行进度的跟踪，改变了常规系统的传输方式、扩展了对平滑艇运动员的数据采集深度，从而提升智能进度制定系统的准确性。

本设计选用MAHSUH服务器来对大数据进行收集处理，MAHSUH服务器能够接纳大量未经处理的大数据，为后期软件的计算规划提供良好的接纳环境。MAHSUH服务器的核心是8155-Ⅲ独立显示芯片，独显芯片能够高效存储大数据的运算，而且还可以根据实际情况来对参数进行调整[6-7]。

文中设计的大数据环境下优秀运动员训练进度智能定制系统结构图，如图1所示。

图1 训练进度智能定制系统结构框架

文中采用典型的网状程序/服务器的总体框架结构，并引入MAHSUH服务器，目的是增强各个模块之间的联动性。程序需要对用户实时进行反馈响应，以数据反馈的形式对运动员训练应求信息进行采集读取，服务器会快速的统计并反馈，及时反馈数据并存储在服务器端大数据库中，即实现智能进度采集。避免了传统训练进度定制系统在大数据的环境下智能度较差的问题[8-9]。

2 运动员训练进度智能方案实现

文中设计的大数据环境下优秀运动员训练进度智能定制系统，主要难点在于：一运动员训练数据的收集处理能力，二对数据智能反馈应对能力。为此，文中对模块协同运作过程使用了Okumura-Hata智能模型，能够解决大数据环境下进行趋势的划分，以及数据处理过程出现的数据波动，同时对优秀运动员进程计算过程进行优化和修正，实现了训练进度智能定制，保证能够在大数据的环境下对运动员训练进度实现智能制定。

2.1 建立Okumura-Hata智能模型

在大数据环境下使用最广的是Okumura-Hata智能模型，模型最大特点是对外界因素干扰具有很高的抗性，能够保证本文系统设计的准确性。Okumura-Hata智能模型可以对收集到的数据进行系统的制定，能够及时的对数据特点进行分析诠释。Okumura-Hata模型是根据Okumura坐标系图进行数据划分，经曲线函数的正态分布可以进行特征数据的关系建立。方便智能化进度数据采集，建立Okumura-Hata智能模型，首先对采集的数据智能极值特定分析，过程如下：

上式中，Q(k)表示建模数据的极差；N(k)表示建模基础高度；M(k)表示工作频率[7]；K(k)表示损耗指数的批量修正后的数据模型动态；δh表示传输距离，为了保持数据传输损耗减小，此参量可以进行人工设置；γ是定量常数。对Okumura-Hata智能模型中的特定反馈数据H[a]进行设计，用公式可以表示为：

上式中，v2表示运动员训练时运动特点的时滞参数；Ω数据的有效使用值[10-11]；ek表示标注算子。H[a]是实现训练进度智能制定的主要过程，经过上述步骤，便可以完胜对Okumura-Hata模型的初步建立。

2.2 运动员训练进程计算修正

在上述Okumura-Hata模型[12]建立过程中，大数据环境下运动员训练数据的收集和智能数据反馈过程中会出现数据跃迁，为了防止发生数据跃迁，需要对运动员训练进程计算过程加以修正，修正方法如下：

式中，∂2N2表示训练进度智能定制系统的权重均值系数；km表示模型数据的仿真指数；∂i2表示最佳运行权重过程系数；W0表示大数据的表达属性[13-14]；A表示两极极限数据的拟定过程显示总量。在修正过程中，各模块之间的鲁棒性会有所降低，导致运算时间增加，为了解决这一问题，需要将计算过程进行自动调节优化，两极极限数据的拟定过程显示总量相当于极限值，数据的最大值、最小值都需要调节优化处理后才能够进行标准确认，用公式表达；

公式中：EP表示基本拟定总量的最大临界值；{h1，h2，h3…，hp}表示最大值到最小值能采集到的有序集合，能够从这里计算出数据的最佳优化偏正量[15]；{X1,X2,X3…XP}表示模型中的损耗数据构成的有序集合；经过上述公式完成了训练进度智能定制中计算的修正和优化，保证了个性化训练定制的有效性和适用性。

综上所述，本文设计的大数据环境下优秀运动员训练进度智能定制系统，通过使用了MAHSUH服务器来对大数据进行接纳[16]，融合大量未经处理的大数据，为后期软件的计算规划提供良好的接纳环境。并引进先进的Okumura-Hata智能模型能够有效的解决大数据进行趋势划分过程中出现的数据波动，对计算过程进行了优化，同时实现了智能操作。从根本上解决了传统的训练进度定制系统分析处理大数据大量花费时间和人力的问题，并且可以对训练进度进行实时调整。

3 实验结果与分析

为了保证本文设计的大数据环境下优秀运动员训练进度智能定制系统的有效性，设计了对比仿真实验，实验对象设定为皮划艇运动员，实验过程中模拟皮划艇竞技小组成员训练作为本次试验的样本，使用传统的训练进度定制系统进行试验，再使用本文设计的大数据环境下优秀运动员训练进度智能定制系统进行试验。为了保证试验的有效性，使用两种方法同时进行试验。

3.1 参数设定

为了保证文中设计的大数据环境下优秀皮划艇竞技运动员训练进度智能定制系统的试验有效性，对参数进行设置定，设置传输距离δh的取值范围是[223～1300]；设置标注算子ek的值为3 600 μ；时滞参数和大数据的表达属性分别为5 200ψ/min、8.5×104GB/min。

本文设计的实验需要对实验数据进行基本设置，为保证试验过程的准确性，设定其试验数据如表1所示。

表1 设置试验数据

本文使用SO测试软件加载到系统上进行使用[8]，加载的SO软件不会对系统使用造成任何影响，对大数据环境下的智能性影响也不大，SO测试软件使用YUH指标衡量系统数据采集准确率，使用pol参数衡量系统制定的切合度，实验结果如下。

图2 文中设计的定制系统SO测试结果

图2是文中设计的大数据环境下优秀皮划艇竞技运动员训练进度智能定制系统YUH指标与pol参数情况，通过数据可以看出本文设计的智能系统的pol参数比较平稳并且在1.0以上，1.0以上的智能系能够达到较高的切合度，YUH指标的走势稳定上升说明系统具有较高的反馈能力。

图3是传统训练进度定制系统的YUH指标与pol参数情况，通过图3可以看出YUH指标分布情况在趋势上成像极值情况并且最大值也没有达到本文设计的平均值。pol参数的平温度在0.1以下说明传统系统的反馈能低于本文设计的系统。

传统训练定制系统制定数据强度：

图3 传统训练定制系统SO测试结果

图4 结果精准度对比结果

本文设计的定制系统定数据强度：

图5 结果精准度对比结果

分析图4图5结果得知，本文设计大数据环境下优秀皮划艇竞技运动员训练进度智能定制系统定数据强度明显比传统训练定制系统制定数据强度高出4个数据强度，数据强度能够反映系统数据依据程度，依据的数据越多说明系统定制的结果越准确。

3.2 试验结论

综上所述，本文设计的大数据环境下优秀运动员训练进度智能定制系统，能够有效的解决大数据进行趋势划分过程中出现的数据波动，同时实现了智能操作，并且流畅性以及精准度也远远高于传统训练进度定制系统。

4 结束语

文中设计了大数据环境下优秀运动员训练进度智能定制系统，该设计主要在硬件上使用了MAHSUH服务器来对大数据进行接纳，引进先进的Okumura-Hata智能模型能够有效的解决大数据进行趋势划分过程中出现的数据波动，对计算过程进行了优化，根据运动员的个人身体素质，智能地定制训练计划，以帮助运动员最大限度地发掘潜能，冲击更优异的成绩，同时实现了智能操作。为了验证设计的大数据环境下优秀运动员训练进度智能定制系统设计的有效性，模拟使用环境进行了仿真对比实验，把提出的智能定制系统与传统的训练进度定制系统进行比较。通过实验数据的有效证明，验证了提出的智能定制系统能够进行快速准确的进度智能定制。

参考文献：

[1]杨甲甲，赵俊华，文福拴，等.智能电网环境下基于大数据挖掘的居民负荷设备识别与负荷建模[J].电力建设，2016，37（12）：11-23.

[2]陆化普，孙智源，屈闻聪.大数据及其在城市智能交通系统中的应用综述[J].交通运输系统工程与信息，2015，15（5）：45-52.

[3]邵景峰，贺兴时，王进富，等.大数据环境下的纺织制造执行系统设计[J].机械工程学报，2015，51（5）：160-170.

[4]欧彦，葛世超.面向大数据的科技期刊智能运营系统—以《自动化学报》智能运营平台为例[J].科技与出版，2017（4）：75-78.

[5]于洋.Web远程升级Solaris及进度跟踪设计[J].软件，2016，37（9）：115-117.

[6]张红，王晓明，曹洁，等.基于大数据的智能交通体系架构[J].兰州理工大学学报，2015，41（2）：112-115.

[7]江丹丹，唐煜程，唐冬.一种基于ZigBee及GSM混合网络的轻智能家居安防系统设计[J].现代电子技术，2015（3）：6-8.

[8]张浩，刘强，王磊，等.中空玻璃智能仓储系统快速定制设计方法[J].计算机集成制造系统，2016，22（11）：2497-2504.

[9]朱伟明，谢琴，彭卉.男西服数字化智能化量身定制系统研发[J].纺织学报，2017，38（4）：151-157.

[10]郭小雷，王宗彦，吴淑芳，等.基于SQL的桥式起重机智能设计网络系统开发[J].机械设计与研究，2017（1）：182-185.

[11]钟经伟.基于RFID技术的智能景区系统设计与实现[J].现代电子技术，2012，35（16）：8-11.

[12]叶高扬，毕冉.基于物联网的智能家居系统设计与实现[J].计算机应用，2014（a01）：318-319.

[13]张林，吴振强.基于OpenCV的图像特征智能识别系统设计[J].电子设计工程，2015，23（20）：189-192.

[14]张月玲，李延晓.基于云计算与物联网的智能后勤系统设计[J].计算机科学，2012，39（s1）：212-213.

[15]程乐峰，周彬，余涛.一种节电潜力在线自动检测和快速能源审计智能系统的设计与实现[J].电力系统保护与控制，2014（14）：105-111.

[16]张红，王晓明，曹洁，等.基于大数据的智能交通体系架构[J].兰州理工大学学报，2015，41（2）：112-115.