因子分析和神經網絡相融合的體育成績預測模型

2017-04-01 00:14:21陳岷

現代電子技術 2017年5期

陳岷

摘要：預測體育成績是制定科學體育訓練規劃的關鍵，針對當前模型預測精度低的問題，提出因子分析與神經網絡相融合的體育成績預測模型。根據體育成績先驗信息構建自相似回歸模型，對體育成績數據進行經驗模態分解和因子分析，采用BP神經網絡建立體育成績預測模型，并通過仿真實驗對性能進行測試，結果表明，采用該模型進行體育成績預測的精度較高，收斂性較好。

關鍵詞：經驗模態分解；時間序列；因子分析；神經網絡

中圖分類號： TN711?34； TP391 文獻標識碼： A 文章編號： 1004?373X（2017）05?0130?04

Abstract： The sports result prediction is the key to formulate the scientific sports training plan. Aiming at the low prediction accuracy of the current models， a sports result prediction model fusing the factor analysis with neural network is put forward. The self?similarity regression model was constructed according to the sports result apriori information. And then the empirical mode decomposition and factor analysis were conducted for the sports result data. The BP neural network is used to establish the sports result prediction model. The performance of the model was tested with simulation experiments. The results show that the model has higher precision of sports result prediction， and good convergence property.

Keywords： empirical mode decomposition； time series； factor analysis； neural network

0 引言

體育成績是反應體育訓練水平的重要表現，通過對體育成績的準確預測能挖掘出人體訓練的規則性因子和特征，從而促進運動訓練和體育教學的改進。因此，研究體育成績的預測模型在促進科學訓練、提高運動成績方面具有重要意義。

體育成績的預測準確度受到的約束因素較多，如人體特征的變化、性別、年齡、天氣、運動場館以及各種環境因素。對體育成績的預測模型是一個多變量和多參量的統計分析過程，涉及的學科有統計學、信息處理學和現代數學[1]。傳統方法中，對體育成績的預測方法有基于AR模型估計的體育成績預測算法[2]、特征空間分解方法[3]、經驗模態分解方法[4]、基于小波分析的體育成績時間序列預測方法等[5]。建立體育成績的線性擬合特征空間，采用多參量約束重構方法構建預測模型，具有較好的預測效果。但這些方法存在計算開銷大、預測過程中對參量的自適應抗干擾性差等問題，導致預測的精度低。

針對上述問題，本文提出基于因子分析和神經網絡相融合的體育成績預測模型。對統計的體育成績先驗信息構建自相似回歸模型，在自相似回歸模型中對體育成績時間序列進行經驗模態分解和因子分析，采用BP神經網絡分類模型進行體育成績的特征信息聚類和信息融合處理，實現預測模型優化。最后通過仿真實驗進行測試，得出有效性結論，展示了本文預測模型在提高預測精度方面的優越性。

1 體育成績預測的數學模型

1.1 體育成績統計參數分析

體育成績數據可以看作是一組非線性時間序列。采用非線性時間序列方法分析體育成績的走勢，統計分析體育成績，采用一個多元統計特征方程描述體育成績的擬合狀態模型為：

最后得到的[ykN-1k=1]是一個具有可預測性的體育成績時間序列。在BP神經網絡中通過對體育成績的信息屬性分類，進行體育成績的特征信息聚類和信息融合處理，實現預測模型優化設計。

3 結果與分析

采樣樣本來自于某高校大一和大二學生的體育成績，包括的體育項目有3 km長跑、100 m短跑、游泳等。對采集的體育成績進行統計分析和最小二乘擬合，并在Matlab仿真軟件中分析數據。神經網絡采用的是三層網絡結構，學習訓練參數為[NEj*（t）=1+9e-t1 024=12，]體育成績測試集中，碼數為1 024個，環境信息對預測模型的干擾強度設定為13 dB，數據采樣的時間間隔為1.5 d，迭代次數為10 000次。

根據上述仿真設定，設計體育成績預測模型，得到樣本數據時域波形描述如圖2所示。

以上述采集的體育成績統計樣本為測試集，進行體育成績預測模型仿真分析，得到不同方法的預測誤差對比結果如圖3所示。

根據上述仿真結果，得出如下結論：

（1）隨著迭代步數的增多，預測誤差降低，這是因為通過多次迭代，使用體育成績的先驗信息較多，使得預測精度提高。

（2）利用本文模型進行體育成績預測的誤差小于傳統方法，相差的最大幅度達到35.98%。由于本文方法使用因子分析和神經網絡訓練，進行體育成績的數據信息聚類和融合，提高了預測精度，在收斂性和穩健性方面具有較好的表現。

4 結語

為了提高體育運動訓練的科學指導性，進行體育成績預測，提出了因子分析和神經網絡相融合的體育成績預測模型。并對本文提出的模型進行性能測試，結果表明，本文模型提高了體育成績預測的精度，而且預測誤差可以滿足實際應用的要求。

參考文獻

[1] 趙波.十項全能世界頂尖男子運動員成績分析及預測研究[J].體育文化導刊，2013（3）：76?79.

[2] 趙丙軍.運用多元回歸方法建立我國男子跳遠項目訓練模型的研究[J].西安體育學院學報，2011，18（1）：81?82.

[3] 魏春玲.我國十項全能運動成績的因子分析及灰色系統回歸預測研究[J].體育科學，2004，24（11）：51?53.

[4] 劉國璧，袁宏俊，孫群，等.基于模糊神經網絡的劉翔110 m欄成績預測[J].安徽電子信息職業技術學院學報，2011，10（1）：16?18.