基于模糊神经网络的大学生体质评价研究

冯晨钟 宋世创 李慕航

摘 要：为了更好地评价大学生身体素质，文中研究了T-S型模糊神经网络算法，以大学生体质状态作为评价指标，建立一种基于T-S型模糊神经网络的大学生体质评价模型，并对本校大学生的体质进行合理评价。实验结果表明，该模型具有良好的适应性和准确性，可为大学生体质评价提供一定的参考依据。

关键字：T-S；模糊神经网络；体质评价；GIS

中图分类号：TP39；TB18 文献标识码：A 文章编号：2095-1302（2018）08-00-02

0 引 言

在当今科技盛行的时代，智能设备层出不穷，平板、手机等设备的使用导致越来越多的大学生很少外出活动，从而影响了身体健康。因此，如何通过一定数量的体测数据来衡量大学生的体质是很多研究者关注的课题。国内外学者对大量体测数据进行分析，提出了若干衡量体质的健康指标，但目前尚无统一标准模型。

模糊神经网络是模糊理论同神经网络相结合的产物，被广泛应用于复杂系统识别。马晓丹提出了一种将量子遗传算法的全局搜索能力和模糊推理神经网络的自适应性相结合的算法来识别苹果果实[1]。刘新颜以GIS技术和T-S模糊神经网络为依托，从土壤风蚀影响因子及风蚀动力学机制出发构建了区域土壤风蚀危险度模型[2]。黄赞武将模糊神经网络FNN（Fuzzy Neural Network，FNN）理论引入轨道电路的故障诊断应用中[3]，在对轨道电路故障原因进行分析的基础上，根据轨道电路的工作原理和故障特点建立了FNN故障诊断模型。张宇采用T-S模糊神经网络模型对吉林省西部地区部分地下水水化学监测点的水质进行评价[4]。因此，模糊神经网络非常适用于大量数据的分析统计。本文用T-S型模糊神经网络来分析数据，提出了新的体质评价模型。

1 样本采集及处理

本文所用数据为山西农业大学城建学院、资环学院、软件学院等大三在校学生2017年度的各项体测指标成绩，共计1 879条数据。数据中包含身高、体重、50米短跑、坐位体前屈、立定跳远、引体向上（男生），一分钟仰卧起坐（女生）、1 000米跑（男生）和800米跑（女生）。

由于男女生体质及体测项目的不同，对数据进行分类，剔除无效数据，得到有效数据共计1 823条（其中男生

1 226条，女生597条）。部分男生体测数据见表1所列，部分女生体测数据见表2所列。

2 T-S模糊神经网络

2.1 T-S模糊神经网络结构

T-S模糊神经网络共有4层，分别为输入层、模糊化层、模糊规则计算层和输出层，其网络结构模型如图1所示。

模糊化层隶属度函数使用高斯型函数，其中，cij和bij分别为隶属度函数的中心和宽度，k为输入参数，n为模糊子集数：

（1）

模糊规则计算层采用模糊连乘公式（2）进行模糊计算，采用的模糊算子为连乘算子：

（2）

输出层采用公式（3）计算输出值：

（3）

2.2 T-S模糊神经网络学习算法

2.2.1 误差计算

按误差反向传播实现对数据的学习：

（4）

式中：yd为网络期望输出；yc为网络实际输出；e为期望输出和实际输出的误差。

2.2.2 系数修正

（5）

（6）

式中：pij为神经网络系数；α为网络学习率；xj为网络输入参数；ωi为输入参数隶属度连乘积。

2.2.3 参数修正

（7）

（8）

式中：cij为隶属度函数的中心；bij为隶属度函数的宽度。

3 仿真实验

3.1 建立网络拓扑结构

依据体测项目的种类输出一个体质等级指标，即输入数据维度为8，输出数据维度为1，确定输入节点个数为8，输出节点个数为1，通过试凑法确定隶属度函数个数为12，即构建的网络拓扑结构为8-12-1。

3.2 网络训练

分别随机抽出980条和500条男女体测数据进行训练，归一化训练数据，通过学习算法不断调整隶属度中心函数cij和宽度bij，迭代次数n=200。网络训练流程如图2所示。

3.3 体质评价

使用对应训练好的模糊神经网络分别对部分资环、信科与园林的男生和女生体质进行体质评价，图3所示为男生测试数据预测图，图4所示为女生测试数据预测图，图5所示为男生预测体质图，图6所示为女生预测体质图。

从数据预测图中可以看出，实际输出曲线与预测输出曲线基本吻合，误差曲线平缓，波动较小，拟合程度较高，与实际情况较为符合，说明该模型可以很好地应用于大学生体质评价。

4 结 语

当代大学生普遍对自己的身体素质没有清晰认识，如何对体测数据进行分析是一个亟待解决的问题。本文基于T-S型模糊神经网络，构建了评价大学生体质的网络模型，通过学习算法对模糊神经网络进行训练，建立对应评价模型，使其具有较高的拟合度。将此模型应用于山西农业大学部分大学生的体质评价，评价结果与实际情况较为吻合。本文研究为大学生体质评价提供了一种客观有效的方法，对督促大学生进行体育锻炼起到了一定的积极作用，具有重要的现实意义。

参考文献

[1]马晓丹，刘刚，周薇，等.基于量子遗传模糊神经网络的苹果果实识别[J].農业机械学报，2013，44（12）：227-232，251.

[2]刘新颜，曹晓仪，董治宝.基于T-S模糊神经网络模型的榆林市土壤风蚀危险度评价[J].地理科学，2013，33（6）：741-747.

[3]黄赞武，魏学业，刘泽.基于模糊神经网络的轨道电路故障诊断方法研究[J].铁道学报，2012，34（11）：54-59.

[4]张宇，卢文喜，陈社明，等.基于T-S模糊神经网络的地下水水质评价[J].节水灌溉，2012（7）：35-38.

[5]郝天轩，宋超.基于模糊神经网络的煤层瓦斯含量预测研究[J].中国安全科学学报，2011，21（8）：36.

[6]张颖.改进的T-S模糊神经网络在化工软测量中的应用[J].电子测量与仪器学报，2010，24（6）：585-589.

[7]冯立强，刘晓悦.基于遗传算法的神经网络PID控制方法研究[J].物联网技术，2017，7（10）：40-42.

[8]赖腾达，石坤明，王德宇，等.基于神经网络数据融合的ZigBee智能家居环境监测系统[J].物联网技术，2016，6（4）：28-30.