裴成禹

摘 要： 針對(duì)傳統(tǒng)系統(tǒng)缺少最小方差估算步驟，容易受到信號(hào)干擾影響，存在預(yù)測(cè)精準(zhǔn)度較低的問題，提出基于卡爾曼濾波的網(wǎng)球發(fā)球最佳擊球點(diǎn)預(yù)測(cè)系統(tǒng)。根據(jù)系統(tǒng)硬件結(jié)構(gòu)框圖，設(shè)計(jì)預(yù)測(cè)感知模塊，獲取可讀與不可讀信息。為了使系統(tǒng)只傳輸可讀信息，設(shè)計(jì)閉合開關(guān)，并在硬件末端設(shè)置客戶端模塊，顯示預(yù)測(cè)結(jié)果，改善信號(hào)干擾問題。采用最小方差估計(jì)算法對(duì)硬件中的預(yù)測(cè)感知模塊進(jìn)行軟件功能設(shè)計(jì)，并根據(jù)卡爾曼濾波原理進(jìn)行多次迭代處理，獲取最佳擊球點(diǎn)濾波輸出值。實(shí)驗(yàn)結(jié)果表明，該系統(tǒng)預(yù)測(cè)精準(zhǔn)度最高可達(dá)到82%，能夠準(zhǔn)確找出最佳擊球點(diǎn)。

關(guān)鍵詞： 卡爾曼濾波； 網(wǎng)球； 發(fā)球； 最佳擊球點(diǎn)； 預(yù)測(cè)； 濾波

中圖分類號(hào)： TN911.1?34； TP391.41 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2018）11?0162?04

Kalman filtering based best hitting point prediction system of tennis serve

PEI Chengyu

（Sichuan Technology and Business University， Chengdu 611745， China）

Abstract： The traditional system lacks the minimum variance estimation step， and is easily affected by signal interference， which may result in low prediction accuracy. A Kalman filtering based best hitting point prediction system of tennis serve is proposed to solve this problem. According to the structure diagram of the system hardware， the predictive perceptive module is designed to obtain the readable and unreadable information. The closed switch is designed to make the system can only transmit the readable information， and the client module is set on the hardware terminal to display the prediction results， so as to improve the signal interference. The minimum variance estimation algorithm is used to design the software function of the predictive perception module in hardware， and the multi?iteration processing based on Kalman filtering principle is adopted to obtain the best filtering output value of the hitting point. The experimental results show that the prediction accuracy of the system can reach up to 82%， and the system can find out the best hitting point accurately.

Keywords： Kalman filtering； tennis； serve； best hitting point； prediction； filtering

0 引 言

網(wǎng)球運(yùn)動(dòng)成為人們健身的重要項(xiàng)目，在該項(xiàng)運(yùn)動(dòng)中，擊球技術(shù)是得分獲勝的關(guān)鍵，也是整個(gè)網(wǎng)球訓(xùn)練的難點(diǎn)。在以往的訓(xùn)練模式中，通常都是由教練進(jìn)行示范講解，擊球運(yùn)動(dòng)員按照自己的理解完成擊球動(dòng)作，之后教練對(duì)個(gè)別運(yùn)動(dòng)員進(jìn)行指導(dǎo)，及時(shí)糾正擊球時(shí)所犯的錯(cuò)誤[1]。在這種傳統(tǒng)教學(xué)模式中，擊球運(yùn)動(dòng)員無法認(rèn)知自身的錯(cuò)誤，導(dǎo)致網(wǎng)球運(yùn)動(dòng)員對(duì)擊球技術(shù)掌握能力較差。運(yùn)動(dòng)員在擊球時(shí)，只有找到最佳擊球點(diǎn)，才能使球拍與網(wǎng)球接觸的空間位置達(dá)到最佳，有助于擊球動(dòng)作完成的連貫性，達(dá)到準(zhǔn)確擊球的目的。

由于傳統(tǒng)系統(tǒng)存在預(yù)測(cè)精準(zhǔn)度低的問題，不能滿足網(wǎng)球運(yùn)動(dòng)員需求，為此提出基于卡爾曼濾波的網(wǎng)球發(fā)球最佳擊球點(diǎn)預(yù)測(cè)系統(tǒng)設(shè)計(jì)。卡爾曼濾波預(yù)測(cè)具有精準(zhǔn)度高的特點(diǎn)，對(duì)于目標(biāo)的檢測(cè)識(shí)別是目前發(fā)展最為迅速的領(lǐng)域[2]。該目標(biāo)的識(shí)別指的是從視頻序列中提取出每一幀擊球的信息，該過程涉及計(jì)算機(jī)技術(shù)，具有廣闊的應(yīng)用前景。

1 預(yù)測(cè)系統(tǒng)設(shè)計(jì)

網(wǎng)球發(fā)球最佳擊球點(diǎn)預(yù)測(cè)系統(tǒng)的研發(fā)最關(guān)鍵的就是對(duì)硬件結(jié)構(gòu)和軟件功能兩方面進(jìn)行設(shè)計(jì)，在對(duì)系統(tǒng)實(shí)際運(yùn)行功能和性能需求等方面做出合理假設(shè)后，結(jié)合卡爾曼濾波分析預(yù)測(cè)做出詳細(xì)設(shè)計(jì)[3]。

1.1 系統(tǒng)硬件結(jié)構(gòu)設(shè)計(jì)

根據(jù)網(wǎng)球運(yùn)動(dòng)項(xiàng)目的實(shí)際環(huán)境特征，設(shè)計(jì)該環(huán)境下網(wǎng)球發(fā)球最佳擊球點(diǎn)預(yù)測(cè)系統(tǒng)硬件結(jié)構(gòu)框圖，如圖1所示。

由圖1可知，擊球感知、預(yù)測(cè)開關(guān)和客戶端共同組成了網(wǎng)球發(fā)球最佳擊球點(diǎn)預(yù)測(cè)系統(tǒng)硬件結(jié)構(gòu)。其中，擊球感知是對(duì)網(wǎng)球發(fā)球最佳擊球點(diǎn)的數(shù)據(jù)信息進(jìn)行預(yù)測(cè)和感知，預(yù)測(cè)開關(guān)主要負(fù)責(zé)向客戶端傳送發(fā)球擊球點(diǎn)的可讀數(shù)據(jù)信息，而客戶端主要負(fù)責(zé)對(duì)預(yù)測(cè)信息進(jìn)行展示，并進(jìn)行遠(yuǎn)程監(jiān)控。

1.1.1 預(yù)測(cè)感知

預(yù)測(cè)感知模塊主要負(fù)責(zé)對(duì)網(wǎng)球發(fā)球擊球點(diǎn)數(shù)據(jù)信息進(jìn)行預(yù)測(cè)和感知，該模塊采用卡爾曼濾波的預(yù)測(cè)方法實(shí)現(xiàn)網(wǎng)球發(fā)球擊球點(diǎn)預(yù)測(cè)信息的雙向智能通信[4]。采集到的數(shù)據(jù)信息通過預(yù)測(cè)感知模塊向預(yù)測(cè)開關(guān)單元進(jìn)行數(shù)據(jù)傳輸時(shí)需通過5個(gè)節(jié)點(diǎn)，分別是系統(tǒng)總電源開關(guān)節(jié)點(diǎn)、傳感節(jié)點(diǎn)、采集節(jié)點(diǎn)、處理節(jié)點(diǎn)和接收節(jié)點(diǎn)，這5個(gè)節(jié)點(diǎn)之間的關(guān)系如圖2所示。

由圖2可知，在上述5個(gè)節(jié)點(diǎn)中除了包含網(wǎng)球發(fā)球擊球點(diǎn)預(yù)測(cè)傳感信息，還包括可讀信息和不可讀信息。傳感節(jié)點(diǎn)對(duì)可讀信息和不可讀信息進(jìn)行監(jiān)測(cè)，保證每個(gè)數(shù)據(jù)信息都具有特定屬性。采集節(jié)點(diǎn)對(duì)系統(tǒng)運(yùn)行數(shù)據(jù)進(jìn)行實(shí)時(shí)采集，通過接收節(jié)點(diǎn)獲取來自采集節(jié)點(diǎn)的數(shù)據(jù)信息。處理節(jié)點(diǎn)對(duì)接收到的信息進(jìn)行處理[5]。

1.1.2 預(yù)測(cè)開關(guān)

預(yù)測(cè)開關(guān)由無線傳感協(xié)調(diào)器和網(wǎng)絡(luò)服務(wù)器組成，在對(duì)網(wǎng)球發(fā)球擊球點(diǎn)進(jìn)行預(yù)測(cè)時(shí)，需精確傳感裝置的傳輸數(shù)據(jù)，該傳感數(shù)據(jù)的產(chǎn)生需要通過預(yù)測(cè)開關(guān)進(jìn)行控制[6]。為了使預(yù)測(cè)效果更佳，設(shè)計(jì)可讀與不可讀信息的閉合開關(guān)，如圖3所示。

采用反向連接方式設(shè)計(jì)如圖3所示的閉合開關(guān)，將一個(gè)節(jié)點(diǎn)作為一個(gè)電壓輸入值，并在回路中產(chǎn)生具有正向?qū)傩缘碾娏髦礫7]?？勺x信息與不可讀信息同時(shí)被傳遞到電路中，通過無線傳感協(xié)調(diào)器向主機(jī)傳送所有節(jié)點(diǎn)采集到的數(shù)據(jù)信息，傳遞出可讀信息。

1.1.3 客戶端模塊

在硬件末端設(shè)置客戶端模塊，主要負(fù)責(zé)顯示預(yù)測(cè)結(jié)果，運(yùn)動(dòng)員可通過客戶端界面實(shí)時(shí)查看網(wǎng)絡(luò)終端數(shù)據(jù)預(yù)測(cè)結(jié)果[8]。系統(tǒng)預(yù)測(cè)開關(guān)是整個(gè)硬件結(jié)構(gòu)設(shè)計(jì)的關(guān)鍵部分，利用客戶端前端的服務(wù)器對(duì)數(shù)據(jù)進(jìn)行無差錯(cuò)且不重復(fù)的信息預(yù)測(cè)，按照TCP協(xié)議完成客戶端數(shù)據(jù)的傳達(dá)[9]。不同擊球點(diǎn)所產(chǎn)生的數(shù)據(jù)信息不同，因此需充分考慮信號(hào)的傳輸情況，利用無線傳感設(shè)備對(duì)節(jié)點(diǎn)信息進(jìn)行安全傳輸，保證數(shù)據(jù)信息傳輸?shù)陌踩??？蛻舳私缑嬖O(shè)置如圖4所示。

針對(duì)系統(tǒng)硬件結(jié)構(gòu)的設(shè)計(jì)，采用卡爾曼濾波的預(yù)測(cè)方法實(shí)現(xiàn)預(yù)測(cè)信息的快速感知，由此獲取可讀與不可讀信息。為了使系統(tǒng)只傳輸可讀信息，需設(shè)計(jì)閉合開關(guān)，使預(yù)測(cè)效果更佳[10]。

1.2 系統(tǒng)軟件功能設(shè)計(jì)

對(duì)于系統(tǒng)軟件部分的設(shè)計(jì)，需對(duì)硬件中預(yù)測(cè)感知模塊的具體功能進(jìn)行設(shè)計(jì)，在保證系統(tǒng)不受到信號(hào)干擾的同時(shí)，具備良好的預(yù)測(cè)效果。

1.2.1 卡爾曼濾波原理

卡爾曼濾波原理框圖的設(shè)計(jì)如圖5所示。

1.2.2 最小方差估計(jì)算法

根據(jù)卡爾曼濾波原理可以得到：

1） 第[n]個(gè)時(shí)刻的卡爾曼濾波器輸出結(jié)果為：

[Zn=αZn-1+NnFn-HαZn-1] （1）

式中：[Zn]為第[n]個(gè)時(shí)間段的卡爾曼濾波輸出值；[Zn-1]為第[n-1]個(gè)時(shí)間段的卡爾曼濾波輸出值；[Nn]為第[n]個(gè)時(shí)間段的卡爾曼濾波系數(shù)；[Fn]為第[n]個(gè)時(shí)間段的預(yù)測(cè)狀態(tài)；[H]為預(yù)測(cè)矩陣；[α]為狀態(tài)轉(zhuǎn)移矩陣[11]。

2） 第[n]個(gè)時(shí)間段的方差為：

[Kn=Knn-1-NnHKnn-1Kn+1n=αZn+Q] （2）

式中：[Kn]為[Zn]的方差，也就是第[n]個(gè)時(shí)間段的卡爾曼濾波輸出誤差估計(jì)值；[Kn+1n]為[Zn+1n]的方差，也就是第[n+1]個(gè)時(shí)間段的卡爾曼濾波輸出誤差估計(jì)值；[Q]為噪聲方差矩陣[12]。

根據(jù)上述方程對(duì)預(yù)測(cè)數(shù)值進(jìn)行多次迭代處理，即可獲取滿意的濾波輸出值。

1.2.3 算法設(shè)計(jì)實(shí)現(xiàn)

根據(jù)上述內(nèi)容，實(shí)現(xiàn)對(duì)網(wǎng)球發(fā)球最佳擊球點(diǎn)預(yù)測(cè)。具體實(shí)現(xiàn)過程為：

1） 輸入網(wǎng)球發(fā)球最佳擊球點(diǎn)視頻，將該視頻轉(zhuǎn)化為圖片，并設(shè)置圖片大小一致；

2） 使用差分方法計(jì)算圖片與背景圖，以此獲取預(yù)測(cè)范圍，標(biāo)記圖像連接點(diǎn)，獲取重要連接信息，確定擊球點(diǎn)最佳質(zhì)心坐標(biāo)；

3） 計(jì)算圖片預(yù)測(cè)范圍并提取目標(biāo)，獲得最佳擊球點(diǎn)質(zhì)心和半徑的最大值；

4） 用卡爾曼濾波器預(yù)測(cè)視頻中的目標(biāo)位置；

5） 將獲取的最佳目標(biāo)位置作為卡爾曼預(yù)測(cè)的數(shù)值，并實(shí)時(shí)更新參數(shù)數(shù)值；

6） 對(duì)所有與網(wǎng)球發(fā)球最佳擊球點(diǎn)相關(guān)的視頻進(jìn)行處理，由此結(jié)束最小方差計(jì)算，否則，返回到步驟2）中；

7） 輸出預(yù)測(cè)結(jié)果。

針對(duì)系統(tǒng)軟件部分的設(shè)計(jì)，利用卡爾曼濾波方法對(duì)網(wǎng)球發(fā)球擊球動(dòng)態(tài)動(dòng)作的狀態(tài)序列進(jìn)行最小方差估計(jì)，可選取任意一點(diǎn)為預(yù)測(cè)起點(diǎn)。根據(jù)卡爾曼濾波原理進(jìn)行多次迭代處理，可獲得滿意濾波輸出值，以此為基礎(chǔ)對(duì)最小方差估計(jì)算法步驟進(jìn)行設(shè)計(jì)，通過該步驟的設(shè)計(jì)可實(shí)現(xiàn)網(wǎng)球發(fā)球擊球點(diǎn)的預(yù)測(cè)。

2 實(shí) 驗(yàn)

實(shí)驗(yàn)驗(yàn)證選擇某大學(xué)的網(wǎng)球訓(xùn)練隊(duì)中的一名隊(duì)員為實(shí)驗(yàn)對(duì)象，進(jìn)行實(shí)驗(yàn)的場(chǎng)地為某大學(xué)的塑膠網(wǎng)球場(chǎng)。在進(jìn)行實(shí)驗(yàn)前，需向?qū)嶒?yàn)對(duì)象說明進(jìn)行本次實(shí)驗(yàn)的目的，并說明注意事項(xiàng)。使用IO Industries公司的攝像機(jī)，對(duì)實(shí)驗(yàn)對(duì)象進(jìn)行定點(diǎn)拍攝。將攝像機(jī)放置在網(wǎng)球場(chǎng)的右側(cè)，距發(fā)球運(yùn)動(dòng)員5 m，通過攝像頭記錄運(yùn)動(dòng)員的發(fā)球數(shù)量，以運(yùn)動(dòng)員手臂的標(biāo)記點(diǎn)軌跡分析網(wǎng)球發(fā)球最佳擊球點(diǎn)特征，如圖6所示。

2.1 信號(hào)干擾實(shí)驗(yàn)驗(yàn)證分析

利用卡爾曼濾波器進(jìn)行網(wǎng)球發(fā)球最佳擊球點(diǎn)預(yù)測(cè)時(shí)，由于會(huì)受到信號(hào)干擾影響，導(dǎo)致預(yù)測(cè)精準(zhǔn)度發(fā)生變化，為了確?；诳柭鼮V波的網(wǎng)球發(fā)球最佳擊球點(diǎn)預(yù)測(cè)系統(tǒng)中硬件設(shè)計(jì)的合理性進(jìn)行了如下實(shí)驗(yàn)。

在保證實(shí)驗(yàn)環(huán)境不變的條件下，重復(fù)實(shí)驗(yàn)6次，并記錄結(jié)果，為了使實(shí)驗(yàn)結(jié)果更具有可靠性，在信號(hào)干擾條件下，將傳統(tǒng)系統(tǒng)與基于卡爾曼濾波系統(tǒng)的預(yù)測(cè)精準(zhǔn)度進(jìn)行對(duì)比分析，結(jié)果如圖7所示。

由圖7可知，當(dāng)系統(tǒng)不被信號(hào)干擾時(shí)，預(yù)測(cè)精準(zhǔn)度可達(dá)到85%左右。當(dāng)信號(hào)干擾強(qiáng)度為100 Hz時(shí)，傳統(tǒng)系統(tǒng)預(yù)測(cè)精準(zhǔn)度為75%，而基于卡爾曼濾波系統(tǒng)預(yù)測(cè)精準(zhǔn)度為82%；當(dāng)信號(hào)干擾強(qiáng)度為200 Hz時(shí)，傳統(tǒng)系統(tǒng)預(yù)測(cè)精準(zhǔn)度比基于卡爾曼濾波系統(tǒng)預(yù)測(cè)精準(zhǔn)度低12%；當(dāng)信號(hào)干擾強(qiáng)度為400 Hz時(shí)，傳統(tǒng)系統(tǒng)預(yù)測(cè)精準(zhǔn)度與基于卡爾曼濾波系統(tǒng)預(yù)測(cè)精準(zhǔn)度下降的幅度最大；當(dāng)信號(hào)干擾強(qiáng)度為600 Hz時(shí)，兩種系統(tǒng)預(yù)測(cè)精準(zhǔn)度都達(dá)到最低，傳統(tǒng)系統(tǒng)預(yù)測(cè)精準(zhǔn)度為38%，而采用卡爾曼濾波技術(shù)設(shè)計(jì)的系統(tǒng)預(yù)測(cè)精準(zhǔn)度為57%。由此可知，在信號(hào)干擾條件下，采用卡爾曼濾波技術(shù)設(shè)計(jì)的系統(tǒng)預(yù)測(cè)精準(zhǔn)度較高。

2.2 最小方差估算實(shí)驗(yàn)驗(yàn)證分析

有無方差估算對(duì)于預(yù)測(cè)系統(tǒng)來說是十分重要的，當(dāng)系統(tǒng)設(shè)計(jì)缺少最小方差估算時(shí)，輸出結(jié)果會(huì)存在一定誤差，造成預(yù)測(cè)精準(zhǔn)度發(fā)生變化，為了確保采用卡爾曼濾波技術(shù)設(shè)計(jì)的系統(tǒng)中軟件部分設(shè)計(jì)的合理性，將傳統(tǒng)預(yù)測(cè)系統(tǒng)與采用卡爾曼濾波技術(shù)設(shè)計(jì)的系統(tǒng)進(jìn)行對(duì)比，結(jié)果如圖8所示。

由圖8可知，當(dāng)實(shí)驗(yàn)次數(shù)為5時(shí)，傳統(tǒng)系統(tǒng)預(yù)測(cè)精準(zhǔn)度比基于卡爾曼濾波系統(tǒng)預(yù)測(cè)精準(zhǔn)度低35%；當(dāng)實(shí)驗(yàn)次數(shù)為10時(shí)，傳統(tǒng)系統(tǒng)預(yù)測(cè)精準(zhǔn)度比基于卡爾曼濾波系統(tǒng)預(yù)測(cè)精準(zhǔn)度低60%；當(dāng)實(shí)驗(yàn)次數(shù)為24時(shí)，傳統(tǒng)系統(tǒng)預(yù)測(cè)精準(zhǔn)度與基于卡爾曼濾波系統(tǒng)預(yù)測(cè)精準(zhǔn)度差值達(dá)到最大，相差80%。由于基于卡爾曼濾波系統(tǒng)設(shè)計(jì)了最小方差估計(jì)算法，能夠改善誤差較大的問題，因此采用卡爾曼濾波系統(tǒng)預(yù)測(cè)精準(zhǔn)度較高。

2.3 實(shí)驗(yàn)結(jié)論

根據(jù)上述實(shí)驗(yàn)內(nèi)容，可得出如下實(shí)驗(yàn)結(jié)論：由于基于卡爾曼濾波系統(tǒng)設(shè)計(jì)了最小方差估計(jì)算法，能夠改善誤差較大的問題，并在信號(hào)干擾條件下依然保持較高的預(yù)測(cè)精準(zhǔn)度，由此可知，基于卡爾曼濾波的網(wǎng)球發(fā)球最佳擊球點(diǎn)預(yù)測(cè)系統(tǒng)具有合理性。

3 結(jié) 語

本文針對(duì)網(wǎng)球發(fā)球最佳擊球點(diǎn)的預(yù)測(cè)就是判斷視頻序列中是否存在預(yù)測(cè)目標(biāo)，由此確定網(wǎng)球運(yùn)動(dòng)員手臂標(biāo)記點(diǎn)軌跡。對(duì)于發(fā)球與擊球的跟蹤是指在整個(gè)視頻序列中預(yù)測(cè)最佳擊球點(diǎn)的位置，預(yù)測(cè)精準(zhǔn)度越高，則對(duì)于最佳擊球點(diǎn)的預(yù)測(cè)信息就越多，為此采用卡爾曼濾波技術(shù)設(shè)計(jì)預(yù)測(cè)系統(tǒng)。雖然該系統(tǒng)的預(yù)測(cè)精準(zhǔn)度得到了實(shí)驗(yàn)驗(yàn)證，但是還存在實(shí)驗(yàn)信息的不確定性，因此，在未來研究中，應(yīng)盡量確定實(shí)驗(yàn)信息，以保證系統(tǒng)運(yùn)行的高效性。

參考文獻(xiàn)

[1] 李春來，張海寧，楊立濱，等.基于無跡卡爾曼濾波神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電預(yù)測(cè)[J].重慶大學(xué)學(xué)報(bào)，2017，40（4）：54?61.

LI Chunlai， ZHANG Haining， YANG Libin， et al. Photovoltaic power forecasting based on unscented Kalman filtering neural network [J]. Journal of Chongqing University （natural science edition）， 2017， 40（4）： 54?61.

[2] 劉鵬華，姚堯，梁昊，等.耦合卡爾曼濾波和多層次聚類的中國PM2.5時(shí)空分布分析[J].地球信息科學(xué)學(xué)報(bào)，2017，19（4）：475?485.

LIU Penghua， YAO Rao， LIANG Hao， et al. Analyzing spatiotemporal distribution of PM2.5 in China by integrating Kalman filter and multi?level clustering [J]. Journal of geo?information science， 2017， 19（4）： 475?485.

[3] 辜小花，王坎，李燕，等.基于演化模型偏好多目標(biāo)優(yōu)化的智能采油輔助決策支持[J].機(jī)械工程學(xué)報(bào)，2017，53（13）：159?169.

GU Xiaohua， WANG Kan， LI Yan， et al. The intelligent oil extraction auxiliary decision based on evolution model and pre?ference driven multi?objective optimization [J]. Journal of mechanical engineering， 2017， 53（13）： 159?169.

[4] 張治遠(yuǎn).基于三維圖像的運(yùn)動(dòng)員起跑動(dòng)作誤差預(yù)測(cè)仿真[J].計(jì)算機(jī)仿真，2017，34（8）：412?416.

ZHANG Zhiyuan. Error prediction and simulation of athlete′s starting action based on 3D image [J]. Computer simulation， 2017， 34（8）： 412?416.

[5] 杜正聰，鄧尋.基于自適應(yīng)遺傳算法的粒子濾波器[J].成都理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2017，44（5）：636?640.

DU Zhengcong， DENG Xun. Particle filter based on adaptive genetic algorithm [J]. Journal of Chengdu University of Techno?logy （science & technology edition）， 2017， 44（5）： 636?640.

[6] 王坎，辜小花，高論，等.基于UPFNN的油田機(jī)采工藝動(dòng)態(tài)演化建模[J].現(xiàn)代電子技術(shù)，2017，40（5）：109?114.

WANG Kan， GU Xiaohua， GAO Lun， et al. UPFNN?based dynamic evolution modeling of oil field mechanical plucking technology [J]. Modern electronics technique， 2017， 40（5）： 109?114.

[7] ZHENG Liang. Research on computer vision based trajectory tracking of rhythmic gymnastics [J]. Modern electronics technique， 2017， 40（19）： 19?24.

[8] 彭繼慎，呂東東，宋立業(yè)，等.基于非線性STUKF濾波器和ESN算法的耦合預(yù)測(cè)模型[J].傳感技術(shù)學(xué)報(bào)，2017，30（7）：1029?1034.

PENG Jishen， L? Dongdong， SONG Liye， et al. Prediction model of coupled algorithm based on nonlinear STUKF and ESN [J]. Chinese journal of sensors and actuators， 2017， 30（7）： 1029?1034.

[9] 王煒，張國建，姜鳴，等.調(diào)度側(cè)風(fēng)電功率預(yù)測(cè)系統(tǒng)設(shè)計(jì)與應(yīng)用[J].電網(wǎng)與清潔能源，2017，33（5）：79?82.

WANG Wei， ZHANG Guojian， JIANG Ming， et al. Design and application of wind power forecasting system at dispatching center [J]. Advances of power system & hydroelectric enginee?ring， 2017， 33（5）： 79?82.

[10] 高學(xué)攀，廖士中.基于貝葉斯網(wǎng)絡(luò)的林火概率預(yù)測(cè)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J].計(jì)算機(jī)工程與應(yīng)用，2017，53（13）：246?251.

GAO Xuepan， LIAO Shizhong. Design and implementation of forest fire probability prediction system based on Bayesian network [J]. Computer engineering and applications， 2017， 53（13）： 246?251.

[11] 施建俊，李慶亞，張琪，等.基于Matlab和BP神經(jīng)網(wǎng)絡(luò)的爆破振動(dòng)預(yù)測(cè)系統(tǒng)[J].爆炸與沖擊，2017，37（6）：1087?1092.

SHI Jianjun， LI Qingya， ZHANG Qi， et al. Forecast system for blasting vibration velocity peak based on Matlab and BP neural network [J]. Explosion and shock waves， 2017， 37（6）： 1087?1092.

[12] GUO Zhun， ZHOU Tianjun. The simulation of stratocumulus and its impacts on SST： based on the IAP near?term climate prediction system [J]. Advances in earth science， 2017， 32（4）： 373?381.