寧夏大學(xué)信息工程學(xué)院 趙安

本研究通過跨學(xué)科研究法、信息研究法，對(duì)信息的收集和處理中的卷積神經(jīng)網(wǎng)絡(luò)技術(shù)及其結(jié)構(gòu)模型進(jìn)行了分析，運(yùn)用“固定數(shù)據(jù)+卷積核+實(shí)時(shí)數(shù)據(jù)”的評(píng)判模式，得出人工智能在足球戰(zhàn)術(shù)以及球員評(píng)判的卷積神經(jīng)網(wǎng)絡(luò)模型的結(jié)論。研究將產(chǎn)生提高足球比賽的質(zhì)量，科學(xué)評(píng)價(jià)球員行為的價(jià)值。

1 研究背景

2022年2月1日，中國男子足球隊(duì)在世界杯預(yù)選賽中1∶3敗給實(shí)力較弱的越南，同年3月24日，同支隊(duì)伍敗于實(shí)力弱于自己越南，戰(zhàn)平實(shí)力強(qiáng)于自己的沙特，原因是多方面，但戰(zhàn)術(shù)細(xì)節(jié)是一個(gè)不可忽視的重要方面。當(dāng)下恰逢AI蓬勃發(fā)展，本研究基于卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)，來對(duì)球員足球戰(zhàn)術(shù)進(jìn)行分析及評(píng)判，研究結(jié)果將提高足球比賽的質(zhì)量，科學(xué)評(píng)價(jià)球員行為。

2 研究意義與價(jià)值

雖然足球比賽不同于圍棋是人與人的對(duì)抗，但我們可以利用卷積網(wǎng)絡(luò)神經(jīng)對(duì)球員的配合策略進(jìn)行訓(xùn)練。此外好的決策往往比能力更重要，我們可以利用人工智能來決策，經(jīng)過大量的數(shù)字計(jì)算后，可以得出很多反常的操作，起到出奇致勝，也可以利用現(xiàn)場(chǎng)實(shí)時(shí)分析出的數(shù)據(jù)對(duì)球員作出的行為進(jìn)行對(duì)比，能明顯地看出球員的行為細(xì)節(jié)或者戰(zhàn)術(shù)思想失誤。

3 卷積神經(jīng)網(wǎng)絡(luò)

3.1 自我學(xué)習(xí)

如果要將人工智能技術(shù)運(yùn)用到足球領(lǐng)域，可以看作是AI在人類思維模擬的較為復(fù)雜的模型。在足球場(chǎng)上由于信息捕獲與儲(chǔ)存較為有限，人工智能的信息處理和自我學(xué)習(xí)技術(shù)就顯得格外重要?？梢哉f，人工智能的自我學(xué)習(xí)技術(shù)是AI運(yùn)用在足球領(lǐng)域需要攻克的難關(guān)之一，在參考了人工智能在虛擬、圍棋、軍事等領(lǐng)域的運(yùn)用，深度了解卷積神經(jīng)網(wǎng)絡(luò)和其數(shù)據(jù)延展原理，并了解了卷積神經(jīng)網(wǎng)絡(luò)當(dāng)前進(jìn)展，決定把卷積神經(jīng)網(wǎng)絡(luò)看作人工智能在足球領(lǐng)域運(yùn)用的重點(diǎn)。

3.2 輸入層

在足球分析中主要以上帝視角采用二維數(shù)據(jù)，利用視頻將各球員（依據(jù)球號(hào)、鞋襪等）轉(zhuǎn)化為位置信息。相比于其他神經(jīng)網(wǎng)絡(luò)，卷積神經(jīng)網(wǎng)絡(luò)的特點(diǎn)是它采取了梯度下降算法進(jìn)行學(xué)習(xí)，因此卷積神經(jīng)網(wǎng)絡(luò)使用時(shí)需要將輸入特征進(jìn)行標(biāo)準(zhǔn)化處理，可以提高卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)效率和改善卷積神經(jīng)網(wǎng)絡(luò)的表現(xiàn)效果[1]。

3.3 隱含層

（1）卷積層。二維卷積可記作為C=x×K，x=現(xiàn)場(chǎng)實(shí)時(shí)信息，k=球員自身情況，要做到的是對(duì)場(chǎng)上每個(gè)球員進(jìn)行卷積，如表例，x1，x2是輸入變量，分別為球員分布（x1為甲方球員分布（進(jìn)球方），x1’為乙方球員分布）和足球移動(dòng)方向速度等，y是輸出變量（進(jìn)球的策略），此外還要作出防守的計(jì)算，兩者結(jié)合應(yīng)用，既要讓對(duì)方進(jìn)球少，也要我方進(jìn)球多，如表1所示以進(jìn)球?yàn)槔?/p>

表1 進(jìn)球數(shù)據(jù)表Tab.1 Goal data sheet

最后得到一個(gè)實(shí)時(shí)的數(shù)據(jù)，并根據(jù)每個(gè)球員的自身數(shù)據(jù)，計(jì)算得到每種做法的成功率，根據(jù)較大的一個(gè)或多個(gè)方法選擇與現(xiàn)場(chǎng)的球員一一比對(duì)（如表2所示），可以精確確定哪位球員是團(tuán)隊(duì)配合失誤，哪位是自身技術(shù)失誤。

（2）卷積核。卷積核是在圖像處理時(shí)的權(quán)值定義函數(shù)，它選擇給定的輸入圖像，將其中一個(gè)小區(qū)域中像素進(jìn)行加權(quán)平均的操作并輸出圖像的所有對(duì)應(yīng)像素，相當(dāng)于公式C=x×K中的“×”。卷積核工作公式中求和部分等價(jià)于求解一次交叉相關(guān)。

以進(jìn)球最終目標(biāo)設(shè)置為卷積核，根據(jù)大量比賽利用無人機(jī)實(shí)時(shí)確定所有場(chǎng)上球員分布、足球位置，不同球員信息（如進(jìn)球、射門、射正、過人、搶斷、攔截、解圍、被過等）及球場(chǎng)信息（不同球場(chǎng)長(zhǎng)、寬以及不同球門長(zhǎng)、寬、高等），進(jìn)行大量深度學(xué)習(xí)迭代后，可得到更加精準(zhǔn)的實(shí)驗(yàn)數(shù)據(jù)，并以此為卷積核進(jìn)行實(shí)驗(yàn)分析。

（3）卷積參數(shù)。如上文依靠大量比賽數(shù)據(jù)對(duì)卷積核交叉相關(guān)計(jì)算可知，特征圖的尺寸會(huì)受卷積層的堆疊影響逐漸減小，為抵消計(jì)算中的尺寸收縮，可通過填充來增大尺寸，類似一個(gè)可調(diào)節(jié)的數(shù)據(jù)庫用于將足球場(chǎng)收集的信息統(tǒng)一化處理，通過交叉相關(guān)計(jì)算合理有效的擴(kuò)充信息的細(xì)節(jié)點(diǎn)，并經(jīng)過填充操作保證特征圖的獨(dú)立性，有利于減少函數(shù)的計(jì)算量，合理的運(yùn)算數(shù)據(jù)和預(yù)測(cè)提供了較為清晰準(zhǔn)確的場(chǎng)上賽況，保證了足球比賽實(shí)戰(zhàn)中實(shí)時(shí)預(yù)測(cè)的準(zhǔn)確高效，起到數(shù)據(jù)格式化和擴(kuò)充作用，為后續(xù)提供便利資源。

（4）激勵(lì)函數(shù)。在神經(jīng)網(wǎng)絡(luò)中，隱含層和輸出層節(jié)點(diǎn)的輸入和輸出之間中存在激勵(lì)函數(shù)關(guān)系[2]：用于接受輸入值，并將輸入值傳遞給下一層，來保證網(wǎng)絡(luò)的非線性將神經(jīng)元映射到輸出端使小目標(biāo)模型表達(dá)更具體。在足球?qū)W習(xí)中，由于影響因素過于復(fù)雜，在數(shù)據(jù)處理中線性函數(shù)是很難完成的，只能依靠激勵(lì)函數(shù)處理非線性的部分。面對(duì)足球場(chǎng)上各種情況，考慮上限的邊界問題，采用激勵(lì)函數(shù)處理線性邊界問題，保障對(duì)實(shí)際判斷與實(shí)際的契合性和最終提出戰(zhàn)術(shù)的合理性。

（5）池 化 層。池 化 層 包 括Lp池 化[3]隨機(jī)/混合池化譜池化。我們將得到的比賽數(shù)據(jù)在此層中進(jìn)行簡(jiǎn)化和分類處理，可以將重要信息如球員和球的位置信息等進(jìn)行不變性處理，將其他附加信息進(jìn)行特征降維處理保留重點(diǎn)，逐漸分析得到一個(gè)兼顧運(yùn)行速度和精度的數(shù)據(jù)并將此數(shù)據(jù)傳遞給下一個(gè)環(huán)節(jié)。

（6）Inception模塊。為了對(duì)每個(gè)隊(duì)員即其各個(gè)對(duì)手充分分析，需要記錄大量數(shù)據(jù)。當(dāng)數(shù)據(jù)信息達(dá)到一定值時(shí)，特征提取會(huì)擴(kuò)大網(wǎng)絡(luò)深度和寬度，導(dǎo)致梯度異常等問題，會(huì)影響實(shí)戰(zhàn)中戰(zhàn)術(shù)分析的準(zhǔn)確性，面對(duì)這一情況，我們選擇了采用Inception模塊的改進(jìn)，減低了計(jì)算的復(fù)雜程度，可搭建稀疏性和高計(jì)算性能的網(wǎng)絡(luò)結(jié)構(gòu)。這樣一來，在足球場(chǎng)上運(yùn)用時(shí)，能降低人工智能計(jì)算的出錯(cuò)率和延遲性，也能在不影響性能的情況下，采集更多有效信息加入考慮范圍。

3.4 全連接層

全連接的核心操作就是矩陣向量乘積（y=Wx），能通過想卷積操作完成，其對(duì)前層是全連接的全連接層可以轉(zhuǎn)變?yōu)榫矸e核為1×1的卷積。全連接層是對(duì)足球場(chǎng)上數(shù)據(jù)信息的特征加權(quán)，可作為在以個(gè)人球員為核心的運(yùn)算中將視野模糊化，實(shí)現(xiàn)對(duì)每個(gè)球員的分析局部信息專攻，最終再整合數(shù)據(jù)，實(shí)現(xiàn)變化參數(shù)的減少，路線計(jì)算的簡(jiǎn)化。

3.5 輸出層

在輸出層中，數(shù)據(jù)發(fā)掘起到很重要的作用，可以通過把數(shù)據(jù)庫中的數(shù)據(jù)紀(jì)錄映射到給定類別中的某一個(gè)的方式，可用于數(shù)據(jù)預(yù)測(cè)。輸出層可以簡(jiǎn)單看作是數(shù)據(jù)的運(yùn)用，一步預(yù)測(cè)的運(yùn)算過程，合理運(yùn)用函數(shù)加工已有數(shù)據(jù)，為足球的位置的預(yù)測(cè)計(jì)算和對(duì)球員走位等信息的計(jì)算安排的實(shí)現(xiàn)提供了數(shù)據(jù)和理論的支持。

3.6 卷積神經(jīng)網(wǎng)絡(luò)程序

目前卷積神經(jīng)網(wǎng)絡(luò)程序主要包括DeepLearnToolbox程序、Caffe程序。

（1）DeepLearnToolbox程序側(cè)重演算，我們先用cnntrain.m進(jìn)行樣本訓(xùn)練，得出攻防各自對(duì)應(yīng)的結(jié)果，再用cnntest.m判斷確定攻防戰(zhàn)略。有些情況可通過隊(duì)員訓(xùn)練結(jié)果中概率較大的行為計(jì)算概率，且進(jìn)球方案優(yōu)先。在訓(xùn)練過程中cnntrain.m代碼能做到盡可能避免窮舉法重復(fù)輸入數(shù)據(jù)消耗時(shí)間和存在的遺漏可能，采用了數(shù)據(jù)的隨機(jī)排列和迭代法羅列的方案。通過AI技術(shù)計(jì)算各種戰(zhàn)術(shù)方案，根據(jù)實(shí)際情況球員某套攻防體系訓(xùn)練多少甚至是個(gè)人習(xí)慣的成功率多少來影響實(shí)時(shí)概率大小。在足球場(chǎng)上當(dāng)?shù)玫礁鞣N戰(zhàn)術(shù)時(shí)cnntest.m可以用于找尋輸出結(jié)果，通過前面cnntrain.m計(jì)算出的計(jì)算值，找尋對(duì)應(yīng)的情況輸出，分析計(jì)算得出最優(yōu)戰(zhàn)術(shù)的失誤率，檢測(cè)誤差用于復(fù)盤。在考慮傳統(tǒng)結(jié)合的情況下，足夠的歷史數(shù)據(jù)支撐還能使決策達(dá)到更優(yōu)解,類似利用對(duì)方劣勢(shì)或己方優(yōu)勢(shì)，達(dá)到降低失誤率，如利用假動(dòng)作誘導(dǎo)對(duì)方某隊(duì)員失誤打出優(yōu)勢(shì)。這樣一來，無論是訓(xùn)練還是實(shí)戰(zhàn)中，人工智能在足球場(chǎng)上的計(jì)算方面能保證數(shù)據(jù)利用率盡可能提高，在數(shù)據(jù)有限的情況下能保證最優(yōu)解。

（2）Caffe程序是目前卷積神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用的另一例子，其構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)更復(fù)雜，各項(xiàng)數(shù)據(jù)的缺省值也較大。深度學(xué)習(xí)足球中，由于考慮情況和數(shù)據(jù)較多，涉及計(jì)算的復(fù)雜程度也較大，在構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)的時(shí)候，Caffe程序所使用的lent_train_test.prototxt函數(shù)所構(gòu)造的結(jié)構(gòu)更加全面，適與足球方面配度較高，而Xavier算法和ReLU函數(shù)的配合使用就是最大亮點(diǎn)。ReLU函數(shù)具有高效率的簡(jiǎn)化計(jì)算以及利于實(shí)現(xiàn)梯度下降和反向傳播，在仿生物學(xué)原理方面是邏輯函數(shù)中最接近人腦思維的。其存在的數(shù)據(jù)過大時(shí)互相影響產(chǎn)生額外誤差的缺點(diǎn)能利用Xavier初始化向前傳播，通過抽象化的特征規(guī)律找尋和保留，自動(dòng)確定初始權(quán)重的范圍揚(yáng)長(zhǎng)避短。利用其仿生學(xué)的優(yōu)勢(shì)，人工智能可以更貼合人腦的思維，我們就可以考慮思維漏洞產(chǎn)生的非公平比賽，如：當(dāng)裁判離得遠(yuǎn)時(shí)，對(duì)球員假摔、惡意攻擊等行為看不清，在此情況下進(jìn)行的概率計(jì)算并等同于計(jì)算方案來取得優(yōu)勢(shì)。

4 結(jié)構(gòu)模型優(yōu)化及比賽分析

在該設(shè)想中，梯度下降法能處理非常復(fù)雜的非線性函數(shù)。以一個(gè)球場(chǎng)上帶球準(zhǔn)備射門的球員為例，以他位置為基準(zhǔn)，找到進(jìn)球目標(biāo)位置，然后朝球門位移一定距離，再重復(fù)操作，直到達(dá)成目標(biāo)。我們可以重復(fù)采取局部目標(biāo)的最佳值，利用分部運(yùn)算及時(shí)修正之前可能存在的問題，達(dá)到對(duì)足球場(chǎng)局勢(shì)的進(jìn)一步掌控。反向傳播算法主要包括三個(gè)步驟，通過多次迭代完成，直到誤差值在允許范圍內(nèi)后輸出。在足球的深度學(xué)習(xí)的設(shè)想模型中，公共子表達(dá)式的減少能使數(shù)據(jù)量簡(jiǎn)化，利于ReLU函數(shù)運(yùn)算增加準(zhǔn)確度。在這種受細(xì)節(jié)影響的比賽中，全面的考慮、信息處理的優(yōu)化、運(yùn)算誤差的減小等因素都不可忽視，采用的反向傳播是目前頂尖的誤差修正型學(xué)習(xí)算法，如表2所示。

表2 X場(chǎng)比賽各球員失誤統(tǒng)計(jì)表Tab.2 Player error statistics for X games

根據(jù)實(shí)際情況來對(duì)球員進(jìn)行訓(xùn)練以及判斷球員的出錯(cuò)次數(shù)，將與正確決策偏離十個(gè)百分點(diǎn)的行為視作失誤，根據(jù)x場(chǎng)比賽我們不妨對(duì)球員失誤進(jìn)行統(tǒng)計(jì)。

通過表2，能清楚的知道各個(gè)球員的失誤情況看出各個(gè)成員水平，可對(duì)球員進(jìn)行弱項(xiàng)分析，明確各球員責(zé)任，也能在人員安排上盡早發(fā)現(xiàn)狀態(tài)不好的球員，及時(shí)替換。

5 結(jié)語

本文主要利用卷積神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)出足球戰(zhàn)術(shù)分析的淺層模型——對(duì)于不同戰(zhàn)術(shù)取勝的概率計(jì)算、以及球員實(shí)時(shí)的出錯(cuò)分析。首先提出卷積神經(jīng)網(wǎng)絡(luò)對(duì)足球研究的優(yōu)點(diǎn)，再對(duì)卷積神經(jīng)的各個(gè)部分進(jìn)行詳細(xì)研究及程序的運(yùn)用，最后根據(jù)實(shí)驗(yàn)數(shù)據(jù)提出優(yōu)化方法，并對(duì)結(jié)果進(jìn)行實(shí)驗(yàn)應(yīng)用。

引用

[1] 陳盈祾,潘玉霞.基于卷積神經(jīng)網(wǎng)絡(luò)的古文字識(shí)別系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J].電腦知識(shí)與技術(shù),2021,17(10):207-208.

[2] Goodfellow I.Bengio Y.Courville A.Deep Learning[M].Cambridge:MIT Press,2016.

[3] Joan Bruna,Arthur Szlam,Yann LeCun.Signal Recovery from Pooling Representations[C]//In Proceedings of the International Conference on Machine Learning,2014.

[4] YU D J,WANG H L,CHEN P Q.Mixed Pooling for Convolutional Neural Networks[C]//In International Conference on Rough Sets and Knowledge Technology,2014:364-375.

[5] 李玉鑑,張婷.深度學(xué)習(xí)導(dǎo)論及案例分析[M].北京:機(jī)械工業(yè)出版社,2017.