尚譚偉

摘 要： 針對當(dāng)前運(yùn)動員成績預(yù)測精度低的難題，提出捕魚算法優(yōu)化極限學(xué)習(xí)機(jī)的運(yùn)動員成績預(yù)測模型。收集運(yùn)動員成績的時間序列，進(jìn)行聚類分析建立學(xué)習(xí)樣本，采用極限學(xué)習(xí)機(jī)對學(xué)習(xí)樣本進(jìn)行訓(xùn)練，并采用捕魚算法對極限學(xué)習(xí)進(jìn)行優(yōu)化，建立運(yùn)動員成績預(yù)測模型，最后采用具體數(shù)據(jù)對運(yùn)動員成績預(yù)測性能進(jìn)行測試。測試結(jié)果表明，該模型可以準(zhǔn)確擬合運(yùn)動員成績的變化特點(diǎn)，獲得了較高精度的運(yùn)動員成績預(yù)測結(jié)果，而且預(yù)測結(jié)果要顯著優(yōu)于其他模型，具有較高的實(shí)際應(yīng)用價值。

關(guān)鍵詞： 捕魚算法； 極限學(xué)習(xí)機(jī)； 運(yùn)動員成績； 預(yù)測模型

中圖分類號： TN911.1?34； TP311 文獻(xiàn)標(biāo)識碼： A 文章編號： 1004?373X（2017）15?0097?04

Abstract： Since the athlete performance prediction accuracy is low， an athlete performance prediction model based on fishing algorithm optimizing extreme learning machine is put forward. The time sequence of the athlete performance is collected to perform the clustering analysis to establish the learning sample. The extreme learning machine is used to train the learning sample. The fishing algorithm is adopted to optimize the extreme learning to establish the athlete performance prediction model. The specific data is used to test the prediction performance of athletes result. The results show that the model can fit the change characteristics of athletes performance accurately， its prediction result is better than that of other models， and has high practical application value.

Keywords： fishing algorithm； extreme learning machine； athlete performance； prediction model

0 引 言

運(yùn)動員成績可以準(zhǔn)確描述運(yùn)動員生理和競技狀態(tài)，直接影響運(yùn)動水平的發(fā)揮，對運(yùn)動員成績建立預(yù)測模型，對他們將來的成績進(jìn)行預(yù)測，有利于科學(xué)分析運(yùn)動員的生理和技術(shù)特點(diǎn)，合理制定運(yùn)動員的訓(xùn)練規(guī)劃，提高運(yùn)動員成績[1?3]。

運(yùn)動員成績預(yù)測問題受到人們的高度關(guān)注，當(dāng)前有許多類型的運(yùn)動員成績預(yù)測模型[4]。通常情況下，首先采集運(yùn)動員成績的歷史數(shù)據(jù)，并對歷史數(shù)據(jù)進(jìn)行預(yù)處理，如聚類分析等，然后采用一定方法對運(yùn)動員成績數(shù)據(jù)進(jìn)行建模分析，構(gòu)建相應(yīng)的運(yùn)動員成績預(yù)測模型，預(yù)測方法目前很多，如灰色模型、隱馬爾可夫模型、神經(jīng)網(wǎng)絡(luò)等[5?7]，其中灰色模型的可操作性差，隱馬爾可夫模型的通用性差，而神經(jīng)網(wǎng)絡(luò)具有良好的非線性擬合能力，可以對運(yùn)動員成績進(jìn)行有效描述，成為運(yùn)動員成績預(yù)測中應(yīng)用最為廣泛的一種。在實(shí)際應(yīng)用中，傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)效率低，迭代次數(shù)多，對運(yùn)動員成績的建模效率產(chǎn)生了不良影響[8]。極限學(xué)習(xí)機(jī)是一種新型的神經(jīng)網(wǎng)絡(luò)，較好地解決了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜、學(xué)習(xí)時間長的缺陷，為運(yùn)動員成績預(yù)測建模提供了一種新的研究工具。

為了提高運(yùn)動員成績的預(yù)測精度，提出捕魚算法優(yōu)化極限學(xué)習(xí)機(jī)的運(yùn)動員成績預(yù)測模型。首先對運(yùn)動員成績的時間序列進(jìn)行聚類分析，然后采用極限學(xué)習(xí)機(jī)對學(xué)習(xí)樣本進(jìn)行訓(xùn)練，并采用捕魚算法對極限學(xué)習(xí)進(jìn)行優(yōu)化，建立運(yùn)動員成績預(yù)測模型，最后測試結(jié)果表明，該模型獲得了較高精度的運(yùn)動員成績預(yù)測結(jié)果，而且預(yù)測結(jié)果要顯著優(yōu)于其他模型。

1 運(yùn)動員成績的聚類分析

每一個運(yùn)動員成績的歷史樣本很多，為了加快運(yùn)動員成績的建模速度，首先對運(yùn)動員成績歷史樣本進(jìn)行聚類分析，選擇與前期運(yùn)動員成績數(shù)據(jù)樣本有關(guān)系的樣本進(jìn)行學(xué)習(xí)，減少訓(xùn)練樣本的數(shù)量，簡化模型結(jié)構(gòu)，本文采用模糊C均值算法對運(yùn)動員成績進(jìn)行預(yù)處理。

模糊C均值算法根據(jù)隸屬度來描述數(shù)據(jù)點(diǎn)所歸屬的類別，設(shè)原始運(yùn)動員成績共有類，即，采用模糊隸屬矩陣描述類別之間的聯(lián)系，為第點(diǎn)屬于類的隸屬度，而且滿足如下條件：

2 極限學(xué)習(xí)機(jī)和捕魚算法

2.1 極限學(xué)習(xí)機(jī)

設(shè)訓(xùn)練樣本為極限學(xué)習(xí)機(jī)的回歸約束條件為：

2.2 捕魚算法

捕魚算法是一種隨機(jī)優(yōu)化算法，模擬漁夫捕魚行為，在一個打魚區(qū)域有多個漁夫，設(shè)第人漁夫的初次撒網(wǎng)位置為，采用描述魚密度的評價函數(shù)，該漁夫下一次撒網(wǎng)的點(diǎn)集為：

（1） 如果滿足條件，同時符合那么表示新位置的魚密度更高，此時漁夫就移動到然后以為起點(diǎn)，進(jìn)行下一次撒網(wǎng)位置點(diǎn)的搜索，不斷重復(fù)該過程，漁夫最后在該區(qū)域搜索到一個最優(yōu)撒網(wǎng)點(diǎn)。

（2） 漁夫經(jīng)過次移動后，達(dá)到了位置：如果滿足條件：，此時漁夫就確定在處進(jìn)行撒網(wǎng)，產(chǎn)生一個撒網(wǎng)點(diǎn)集：

（3） 不停進(jìn)行位置移動后，漁夫最優(yōu)位置為，且滿足如下條件：

式中表示一個常數(shù)[10]。

3 捕魚算法優(yōu)化極限學(xué)習(xí)機(jī)的運(yùn)動員成績預(yù)測模型

（1） 收集運(yùn)動員成績的時間序列，對其進(jìn)行歸一化處理，具體如下：

（2） 對歸一化后的運(yùn)動員成績進(jìn)行聚類分析，減少訓(xùn)練樣本的數(shù)量。

（3） 將聚類分析的樣本劃分為訓(xùn)練集和測試集。

（4） 極限學(xué)習(xí)機(jī)對訓(xùn)練集進(jìn)行訓(xùn)練，并采用捕魚算法對極限學(xué)習(xí)進(jìn)行優(yōu)化，建立運(yùn)動員成績預(yù)測模型。

（5） 采用測試集對運(yùn)動員成績預(yù)測模型的性能進(jìn)行測試。

4 運(yùn)動員成績的預(yù)測實(shí)例

4.1 數(shù)據(jù)來源

選擇某運(yùn)動員的100 m跑成績作為實(shí)驗對象，歷史數(shù)據(jù)分布如圖1所示，選擇100個數(shù)據(jù)作為訓(xùn)練樣本建立運(yùn)動員成績預(yù)測模型，其余150個數(shù)據(jù)作為測試數(shù)據(jù)。

4.2 結(jié)果與分析

4.2.1 本文模型的擬合和預(yù)測性能分析

采用建立好的運(yùn)動員成績預(yù)測模型對100個訓(xùn)練樣本進(jìn)行擬合，得到的結(jié)果如圖2所示。對圖2進(jìn)行分析可知，本文模型的擬合精度很高，超過了90%，可以有效擬合運(yùn)動員成績的變化特點(diǎn)。

一個運(yùn)動員成績預(yù)測模型的擬合性能很重要，泛化能力更重要，對50個測試樣本的預(yù)測結(jié)果進(jìn)行統(tǒng)計，結(jié)果如圖3所示。從圖3可知，本文可以很好地對運(yùn)動員成績進(jìn)行準(zhǔn)確預(yù)測，泛化能力強(qiáng)，主要是由于本文模型綜合了捕魚算法和極限學(xué)習(xí)機(jī)的優(yōu)點(diǎn)，同時，對樣本進(jìn)行了聚類分析，建立了精度高的運(yùn)動員成績模型。

4.2.2 對其他運(yùn)動員成績的預(yù)測結(jié)果

為了分析捕魚算法優(yōu)化極限學(xué)習(xí)機(jī)的運(yùn)動員成績預(yù)測的通用性，采用多個類型的運(yùn)動員進(jìn)行測試，它們的擬合和預(yù)測精度如表1所示。從表1可以發(fā)現(xiàn)，捕魚算法優(yōu)化極限學(xué)習(xí)機(jī)的運(yùn)動員成績預(yù)測模型的擬合精度均超過90%，而且預(yù)測精度也大于85%，證明了本文模型的通用性強(qiáng)。

4.2.3 與其他運(yùn)動員成績預(yù)測模型的結(jié)果比較

選擇灰色模型、BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行對比測試，選擇1 000 m跑成績作為實(shí)驗對象，它們的結(jié)果如表2所示。從表2可以看出，本文模型的運(yùn)動員成績擬合性能和預(yù)測性能均要優(yōu)于對比模型。

5 結(jié) 語

為了克服當(dāng)前運(yùn)動員成績預(yù)測模型的缺陷，提出捕魚算法優(yōu)化極限學(xué)習(xí)機(jī)的運(yùn)動員成績預(yù)測模型，采用聚類分析對運(yùn)動員成績的歷史樣本進(jìn)行預(yù)處理，減少訓(xùn)練樣本的規(guī)模，采用極限學(xué)習(xí)機(jī)對運(yùn)動員成績進(jìn)行非線性擬合，并通過捕魚算法對極限學(xué)習(xí)機(jī)進(jìn)行優(yōu)化，加快運(yùn)動員建模速度。測試結(jié)果表明，本文模型提高了運(yùn)動員成績的預(yù)測精度，預(yù)測誤差滿足實(shí)際應(yīng)用要求。

參考文獻(xiàn)

[1] 王宗平，孫光.應(yīng)用BP神經(jīng)網(wǎng)絡(luò)算法對運(yùn)動成績預(yù)測的實(shí)證研究[J].南京體育學(xué)院學(xué)報，2006，20（4）：109?111.

[2] 趙丙軍.運(yùn)用多元回歸方法建立我國男子跳遠(yuǎn)項目訓(xùn)練模型的研究[J].西安體育學(xué)院學(xué)報，2001，18（1）：81?82.

[3] 周偉.對中外優(yōu)秀女子三級跳遠(yuǎn)運(yùn)動員三跳技術(shù)的灰色關(guān)聯(lián)分析[J].吉林體育學(xué)院學(xué)報，2004，20（3）：64?65.

[4] 莊沖，王宗平.灰色系統(tǒng)模型與BP神經(jīng)網(wǎng)絡(luò)模型在體育成績預(yù)測方面的比較研究[J].南京體育學(xué)院學(xué)報，2006，20（6）：134?135.

[5] 龍斌.基于支持向量機(jī)的劉翔110 m欄成績預(yù)測[J].天津體育學(xué)院學(xué)報，2009，24（4）：330?333.

[6] 鄧美蘭，張珍.奧運(yùn)會男子十項全能前三名成績的灰色預(yù)測模型的研究[J].數(shù)學(xué)的實(shí)踐與認(rèn)識，2009，39（18）：44?49.

[7] 李征宇，閆生.神經(jīng)網(wǎng)絡(luò)模型在運(yùn)動成績預(yù)測中的應(yīng)用[J].哈爾濱體育學(xué)院學(xué)報，2009，27（2）：110?113.

[8] 戴敏.基于數(shù)據(jù)挖掘的運(yùn)動員體能測試數(shù)據(jù)分析[J].計算機(jī)工程與應(yīng)用，2003（9）：38?40.

[9] 成天樂，周勝瑜，李斯，等.基于極限學(xué)習(xí)機(jī)方法的短期負(fù)荷預(yù)測[J].電力科學(xué)與工程，2013，29（4）：24?25.

[10] 王勇，陳建榮，龐興.一種模擬漁夫捕魚的尋優(yōu)算法[J].計算機(jī)應(yīng)用研究，2008，26（8）：2888?2890.