基于粒子群优化神经网络的大学生体育成绩预测

王思

摘 要： 高校对大学生的综合素质发展越来越重视，为准确对体育成绩预测进行，为体育教学目标建立提供可靠的分析基础，提出了基于粒子群优化神经网络的大学生体育成绩预测方法。该模型以神经网络作为基础，粒子群优化算法通过个体极值和全局极值两个极值更新粒子位置和速度优化神经网络方差和权值，增强神经网络预测的大学生体育成绩的精确度。通过实验分析结果表明，相于传统方法，本文方法的收敛速度更快、误差更低，对大学生体育成绩的预测结果更精准，具有较高的抗噪性能和实用性。

关键词： 粒子群; 优化; 神经网络; 大学生; 体育成绩; 预测

中图分类号： F 274      文献标志码： A

Abstract： At present， colleges and universities pay more and more attention to the development of college students comprehensive quality， which provides a reliable analysis basis for the accurate prediction of physical education achievements and the establishment of physical education teaching objectives. A prediction method of college students physical education achievements based on particle swarm optimization neural network is proposed. The model is based on neural network. PSO optimizes the variance and weight of the neural network by updating the position and speed of the particles through the individual extremum and the global extremum， so as to enhance the accuracy of the prediction of college students sports performance by the neural network. The experimental results show that， compared with the traditional method， the convergence speed of this method is faster， the error is lower， the prediction results of College Students sports performance are more accurate， and it has a higher anti-noise performance and practicability.

Key words： particle swarm; optimization; neural network; college students; sports results; prediction

0 引言

為使当代大学生德、智、体、美、劳全面发展，高校高度重视大学生的体育活动，投入了大量的精力和财力，累计了数据庞大的历届大学生体育成绩数据，分析历史体育成绩数据并进行大学生体育成绩的预测，得出的预测结果可为高校今后的教学方向做出重要指导，同时预测结果对高校大学生身体素质发展特征起到跟踪监督的作用[1-3]。因此寻求一种高效准确的大学生体育成绩预测方法一直是各学者研究的重要方向。

神经网络一般应用在不确定输入输出函数映射中，可确定线性对应关系的情况。它具备稳定的有效性和适应性，正向传播信号、反向传播误差，常常被应用在各种领域中[4-5]。常见的神经网络方法存在一些缺点，比如训练时忽略了旧样本只对新样本进行学习、收敛时速度较慢、错失全局最优值生成局部值极小。为优化这些缺点，可以在神经网络的基础引用粒子群优化方法。粒子群优化方法（PSO）以群智能原理为基础，该方法通过生物进化过程随机搜索达到群居优化，其具备收敛速度快对初始值不依赖的特点，可以有效优化神经网络[6]。

为了提高大学生体育成绩预测准确性，提出了基于粒子群优化神经网络的大学生体育成绩预测方法，实现大学生体育成绩的高效率、高精度预测。

1 粒子群优化神经网络的大学生体育成绩预测方法1.1 粒子群优化神经网络模型

1.1.1 神经网络

神经网络是多层前馈网络，单向传播一般在三层或者三层以上的范围内，以下为神经网络运算的步骤：

（1） 设置一个非零随机数，其Vkl较小，设置范围为每层的权系数[7]。

用神经网络描述式（14），依据输入输出样本数据训练获取神经网络参数，完成方程（14）的最优目标映射。

本文在大学生体育成绩预测特征的基础上，通过基于粒子群优化神经网络模型，提高大学生体育成绩预测的精度。

2 实验结果与分析

采用某大学50名大一新生的大学生的1 000 m长跑体育成绩作为实验对象，经过反复计算分析数据真实反映该校大学生的体育成绩趋势。本文方法采用的神经网络有3个输入节点，1个输出节点，10个隐单元，粒子群优化方法种群m=40，惯性权重最初值为1，随着迭代次数逐渐减少惯性权重减至0.5，x1与x2的值相等均为3，[-19.19]是连接权值的变化区间，当迭代次数达到最大时，迭代停止。对比本文方法与其他常见神经网络优化方法（如GDX方法、LM方法）的预测误差与收敛速度，如表1所示。

本文方法的收敛时间明显快于其他两种大学生体育成绩预测方法，说明本文大学生体育成绩预测方法的收敛速度更佳。从大学生体育成绩预测预测误差来看，本文方法进行大学生体育成绩预测的预测误差始终低于另两种方法，说明本文方法的大学生体育成绩预测预测结果精度更高。

随机选取实验对象50名大学生中的10名学生，分别采用本文方法、GDX方法以及LM方法，预测10学生的100 m短跑成绩，测试三种方法的预测结果同实际结果间的差值，如图1所示。

从图1可以看出，三种方法的拟合度都比较接近，但GDX方法无法预测短跑成绩中的随机性，因此预测值高于实际值，预测精度不准;LM方法预测的大学生100 m短跑成绩相较于GDX方法预测的大学生100 m短跑成绩效果略好，但预测精度低于本文方法;采用本文方法预测的大学生100 m短跑成绩同实际值间的误差最低，预测精度最高，主要是因为本文方法通过神经网络预测大学生体育成绩过程中，通过粒子群优化神经网络，提高预测效率和精度，说明使用本文方法对大学生体育成绩进行预测效果最优。

对比本文方法与其他方法的预测效果后，需要对其预测大学生体育成绩的通用性进行验证，采用三种方法预测实验对象的200 m、400 m、800 m、跳远、跳高、铅球的平均体育成绩，预测精度结果，如表2所示。

从表2中可以看出利用本文方法预测的大学生体育成绩时，各运动项目的体育成绩预测精度均高于95%，而另两种方法的精度均在90%以下，说明本文方法进行大学生体育成绩预测的通用性强、精度高，可以广泛应用于今后的大学生体育成绩研究中。

测试三种方法的查全率，如图2所示。

分析图2可以看出，本文方法查全率高于另两种方法，查全率在98%以上，GDX方法的查全率和LM方法的查全率分别为94%和92%，本文方法的大学生体育成绩数据查全率较高。

为了验证本文方法预测大学生体育成绩时的抗噪性能，在采集的大学生体育成绩中添加噪声干扰，统计本文方法和GDX方法、LM方法分别在10dB和20dB信噪比下的輸出峰值信噪比，结果如表3所示。

从表3可以看出，经过不断的迭代计算，本文方法的信噪比平均值在10 dB和20 dB噪声强度下分别为10.27 dB和13.03 dB，普遍高于GDX方法和LM方法在10 dB和20 dB噪声强度下的信噪比平均值，由此可以看出，本文预测方法抗噪性能高，可提高大学生体育成绩的预测效果。

测试三种方法的性能情况，评估体育成绩预测方法的实用性，测试结果如表4所示。

从表4中可以看出，本文方法无论是收敛速度还是模型结构等性能优于其它两种方法，预测精度是大学生体育成绩预测中至关重要的部分，本文方法的预测精度高于另两种方法，且本文方法使用范围广，发展前景大，是一种适用于大学生体育成绩预测的最佳方法。

3 总结

大学生体育成绩是分析大学生身体情况和运动情况的重要参考数据，对大学生体育成绩的预测是对今后教学计划进行有效指导的关键依据。神经网络具有收敛速度慢、错失全局最优值等缺点，使用粒子群算法对神经网络进行优化，建立粒子群优化神经网络模型对大学生体育成绩进行预测。从以我国某大学50名大一新生体育成绩为对象的实验验证中得出，本文方法具备预测效率高、预测精度高、抗噪性能强以及实用性优的优势，是预测大学生体育成绩最佳方法。

参考文献

[1] 罗春燕，孙力菁，曲爽笑，等.上海市高中学生体育锻炼行为与学习成绩分析[J].中国学校卫生，2017，38（12）：1804-1806.

[2] 焉石，李梦迪，李尚滨，等.交易型领导行为与大学生坚持体育锻炼意愿的关系：锻炼自我效能感和体育课满意感的链式中介[J].沈阳体育学院学报，2019，38（4）：108-116.

[3] 车超，张晓东，孙南.世锦赛视角下男子投掷成绩发展、预测及对我国男子投掷的影响[J].武汉体育学院学报，2019，53（6）：94-100.

[4] 唐波，刘任，江浩田，等.基于BP神经网络的IGBT模块开关损耗求解[J].高压电器，2019，55（7）：27-32.

[5] 何永波，李青，张宁，等.RBF神经网络可靠度分析方法在边坡稳定性研究中的应用[J].中国安全生产科学技术，2019，15（7）：130-136.

[6] 高帅，胡红萍，李洋，等.基于改进的思维进化算法与BP神经网络的AQI预测[J].数学的实践与认识，2018，48（19）：151-157.

[7] 王燕燕，王宏伟.基于粒子群的后件多项式RBF神经网络算法[J].计算机工程与应用，2019，55（12）：72-76.

[8] 罗晓洁，王卉，张崇林.基于人工神经网络的大学生体脂百分比预测方程的构建[J].上海体育学院学报，2019，43（3）：121-126.

[9] 王方.基于神经网络的2020年奥运会奖牌成绩预测[J].统计与决策，2019，35（5）：89-91.

[10] 殷礼胜，唐圣期，李胜，等.基于整合移动平均自回归和遗传粒子群优化小波神经网络组合模型的交通流预测[J].电子与信息学报，2019，41（9）：2273-2279.

[11] 熊志斌.基于改进粒子群模糊神经网络的信用评估[J].统计与决策，2019，35（5）：55-58.

[12] 冯佩，李俣.基于人工神经网络和粒子群优化的半导体激光器参数反向设计方法[J].中国激光，2019，46（7）：9-15.

[13] 李焕玉，李卫东，沈鹤军，等.实战情境课程模式对大学生体育学习情境兴趣影响的实验研究[J].成都体育学院学报，2019，45（3）：105-111.

[14] 王德慧，李丽慧，李锦琼，等.中国汉族中小学生身体素质成绩变化灰色均值预测研究[J].中国学校卫生，2019，40（3）：457-460.

[15] 章茹，李海峰.江苏省中小学生参与体育锻炼行为影响因素分析[J].中国学校卫生，2017，38（12）：1793-1795.

（收稿日期： 2020.03.04）