基于混合遺傳神經網絡的運動員專項成績預測系統設計

馬德 李少聰 張軍峰

摘 要： 針對傳統運動員專項成績預測系統一直存在無法達到實質性的綜合預測的問題，提出并設計基于混合遺傳神經網絡的運動員專項成績預測系統。通過混合遺傳神經網絡，導入運動員專項數據，根據系統內部節點間調整，對運動員專項數據信息進行處理，建立專項成績灰色預測模型，實現運動員專項成績預測。實驗數據表明，所設計的成績預測系統能夠進行高精度的專項成績預測。

關鍵詞： 綜合預測； 混合遺傳神經網絡； 運動員； 專項成績預測； 系統設計； 灰色預測模型

中圖分類號： TN711?34； TP393 文獻標識碼： A 文章編號： 1004?373X（2018）08?0183?04

Abstract： In allusion to the problem that the traditional special performance prediction system for athletes has been unable to achieve substantive comprehensive prediction， a special performance prediction system for athletes based on hybrid genetic neural network is proposed and designed. Athletes′ special data is imported by means of hybrid genetic neural network. According to the internal node adjustment of system， athletes′ special data information is processed to establish special performance grey prediction model and achieve athletes′ special performance prediction. The experimental data show that the designed performance prediction system can carry out high?precision special performance prediction.

Keywords： comprehensive prediction； hybrid genetic neural network； athlete； special performance prediction； system design； gray prediction model

0 引 言

混合遺傳神經網絡（Artificial Neural Networks）也可稱作連接模型（Connection Model），其是通過模仿動物神經網絡行為反射過程，以分布式并行的方式，進行信息處理的高級模型[1]。而專項運動員的成績存在一定的波動變化，隨著訓練、受傷、狀態等因素變化對專項成績影響比較顯著。針對專項運動員的成績進行有效的預測，對賽事安排有很大的輔助作用。傳統運動員專項成績預測系統能進行粗略的成績預測，無法實現多維度的成績綜合預測。由于能夠影響動員專項成績的信息比較雜亂，所以每項因素都會對最終成績產生徹底性的顛覆。

針對上述背景，本文設計基于混合遺傳神經網絡的運動員專項成績預測系統。引入混合遺傳神經網絡，建立完整灰色預測模型，將混合遺傳神經網絡處理的信息進行預測，實現對運動員專項成績預測效果。

1 導入混合遺傳神經網絡

本文引入混合遺傳神經網絡，對運動員專項成績進行原始數據處理。數據處理過程中，利用數據的結構優勢，將原始數據中無法關聯的數據并聯處理[2]。為預測過程中提供精準的參照數據以及使用屬性。結構復雜程度越高，對原始數據處理能力就越強。本文設計的混合遺傳神經網絡對原始數據的處理流程如圖1所示。

混合遺傳神經網絡建立在人工神經網絡基礎上[3]。混合遺傳神經網絡能夠將多元素求解問題進行轉變，使用的原始數據可以近似地看成是“關聯體”，并建立“關聯體”的模式集群，將這些原始數據置于某一特定“環境”中，根據 “能量梯度公式”的使用原則，從模型中選擇能夠在環境中適應的原始數據[4]，將選定的原始數據進行交叉、復制以及提取等方式，進行表達屬性提取，利用混合遺傳神經網絡的結構傳遞到指定的運行機制中。本文設計的混合遺傳神經網絡使用GA?BP算法進行原始數據的屬性提取。GA?BP算法首先利用混合遺傳神經網絡結構進行非關聯原始因素的剝離，本文使用混合遺傳神經網絡的層次結構比較簡單，原因是承載力的不足會極大地影響預測過程[5]。本文在節點設置上采用高位節點并行，低位節點共用的方式。這樣能夠將原始的運動員專項成績以及相關的數據進行分配，通過對分配的環境進行限制，將影響程度分為：初級、次級、高級、終級。本文將高位節點分析出的關聯屬性，以神經網絡源的形式傳遞到低位節點上，傳遞過程中摒棄原有的復雜關系，進行屬相間的假體以及置換[6]。交替過程中將原有的承接屬性轉變，根據影響能力進行排序，先交換的為必然因素，需要通過每一低位節點進行屬性提取，以此類推，最后進行的是非關聯性數據，經過所有的數據傳遞后，便可進行GA?BP計算。

本文進行GA?BP計算，是將節點分析的數據進行提取，為下步預測過程做準備。GA?BP計算利用減法的形式，將多余屬性進行排除，留下的屬性數據為可以用預測數據。使用關聯執行屬性表達關聯能力，通過查閱文獻本文的關聯能力系數在3～6之間，通過原始數據屬性確認節點處理過后屬性。表1為本文GA?BP算法與混合遺傳神經網絡結構相關提取數據。

經過上述過程，完成運動員專項成績預測的數據準備工作。

2 灰色預測模型

本文使用灰色模型進行運動員專項成績預測。灰色模型（Gray Model即為GM（1，1）），由于灰色模型具有單數列預測的特點，因此只能使用被預測對象的自身影響因素，作為建立模型的基礎[9?10]。通過提供的相關數列以及屬性，直接將非關聯數據變為參考數據。由于存在事件的越級性，因此非關聯數據不能被完全摒棄。將眾多隱藏的、直接的、間接的已知因素進行多維度的排列，將每一條影響因素都看作是一個灰色信息的信息矢量，通過建立的模型進行各種條件的序列搭配，以此來完成對運動員專項成績的預測。

本文為弱化非關聯數據的隨機性，建立灰色預測模型過程中，進行累加或者累減方式處理預測數據，方便得到預測生成列。本文選用累加的形式，表示預測初級參量，通過預測參量結果，直接確定關聯和間接關聯屬性，其中每一個非關聯數據自身都是一個數據集合。經過上述多次累加，若關聯屬性累加的次數越多，生成的灰色預測模型預測能力越強，當累加次數足夠多時，非關聯性數據已經不能對其影響[11]。此時，計算的累加結果便是想要的預測結果。預測模型將原始影響因素前后兩個數據相減，得到預測生成序列。本文將對應于原始影響因素進行置換，便可以得到預測結果。同時灰色預測模型建立完成。

3 實驗分析

為了驗證設計的基于混合遺傳神經網絡的運動員專項成績預測系統的有效性，設計模擬仿真試驗，試驗過程中，使用傳統運動員專項成績預測系統與本文設計的系統相比較。實驗數據的選擇上使用隨機組合的形式，方便檢測系統的實際適用性以及有效性。為了保證實驗的可行性，需要對實驗參數進行設置。

3.1 實驗參數設計

本文設計的試驗針對系統進行測試，專項運動員的有效成績是已知的參量，設計的系統對專項成績進行預測。實驗過程中，使用一定的不可控變量進行實驗，因此需要對試驗數據進行設定。設置結果如表2所示，原始試驗數據如表3所示。

由圖2可知，預測數據的幅度能夠反映預測系統的相對預測精度，使用數據越多說明預測過程中的參照比越大，預測結果越精確。從圖2中可以看出，在數據浮動率上，本文設計的預測系統明顯好于傳統預測系統，并且明顯地高于傳統系統。負參比實際上是非有效數據的排除能力，為此可以看出，本文設計的預測系統能夠排除較多的非有效數據。

圖3為YLF預測嫻度，YLF預測嫻度能夠反映預測的精準度。圖3b）為本文設計的預測系統，可以看出本文預測系統的預測點明顯多于傳統方法，在可信度上與預測精準度上都明顯地高于傳統預測系統。

4 結 語

本文設計一款基于混合遺傳神經網絡的運動員專項成績預測系統。導入混合遺傳神經網絡，依靠系統的復雜程度以及調整內部節點之間相互關系對數據信息進行處理，建立灰色預測模型，完成運動員專項成績預測。希望通過本文的研究能夠提升對運動員專項成績的預測能力。

參考文獻

[1] 王小鳳，高攀科，王進璽.基于混合遺傳神經網絡的高速公路瀝青路面使用性能評價方法研究[J].公路工程，2017，42（4）：219?222.

WANG Xiaofeng， GAO Panke， WANG Jinxi. Study on evaluation method of expressway asphalt pavement performance based on hybrid genetic neural network [J]. Highway engineering， 2017， 42（4）： 219?222.

[2] 鄧定勝.基于混合遺傳算法和神經網絡的軟硬件劃分算法[J].西南師范大學學報（自然科學版），2015，40（10）：29?34.

DENG Dingsheng. On hardware/software partitioning algorithm based on genetic algorithm and neural network hybrid [J]. Journal of Southwest China Normal University （Natural science edition）， 2015， 40（10）： 29?34.

[3] 紀華偉，劉毛娜，胡小平.基于混合遺傳算法的磁控形狀記憶合金驅動器磁滯模型優化[J].中國機械工程，2015，26（4）：508?512.

JI Huawei， LIU Maona， HU Xiaoping. Optimization of MSMA actuator hysteresis model based on hybrid GA [J]. China mechanical engineering， 2015， 26（4）： 508?512.

[4] 楊建國，熊經緯，徐蘭，等.應用混合種群遺傳神經網絡的精梳毛紡工藝參數反演模型[J].紡織學報，2016，37（7）：149?154.

YANG Jianguo， XIONG Jingwei， XU Lan， et al. Worsted spinning process parameters inversion model using mixed population genetic neural network [J]. Journal of textile research， 2016， 37（7）： 149?154.

[5] 吳俊偉，姜春茂.一種BP神經網絡和遺傳算法混合的云平臺負載預測方法[J].軟件，2017，38（8）：18?24.

WU Junwei， JIANG Chunmao. A load forecasting method of cloud platform based on BP neural network and genetic algorithm[J]. Computer engineering &； software， 2017， 38（8）： 18?24.

[6] 孫麗.基于遺傳算法BP神經網絡的多目標優化方法[J].激光雜志，2016，37（8）：123?128.

SUN Li. Genetic algorithm and BP neural network based multi?objective optimization [J]. Laser journal， 2016， 37（8）： 123?128.

[7] 馮國奇，崔東亮，張亞軍，等.樣本視角下面向復雜產品多目標優化設計的混合人工神經網絡：遺傳算法技術[J].計算機集成制造系統，2016，22（6）：1403?1414.

FENG Guoqi， CUI Dongliang， ZHANG Yajun， et al. Hybrid NN?GA framework for multi?objective optimization of complex products design from perspective of sample management [J]. Computer integrated manufacturing systems， 2016， 22（6）： 1403?1414.

[8] 周濤，陸惠玲，張艷寧，等.基于Rough Set的高維特征選擇混合遺傳算法研究[J].南京大學學報（自然科學版），2015，51（4）：880?893.

ZHOU Tao， LU Huiling， ZHANG Yanning， et al. A new hybrid genetic algorithm for high dimension feature selection based on rough set [J]. Journal of Nanjing University （Natural sciences）， 2015， 51（4）： 880?893.

[9] 王芳，楊虎山.基于LM算法和遺傳算法求解非線性方程組[J].忻州師范學院學報，2016，32（5）：19?21.

WANG Fang， YANG Hushan. Based on the LM algorithm and genetic algorithm for solving non?linear equations [J]. Journal of Xinzhou Teachers University， 2016， 32（5）： 19?21.

[10] ZHANG Y， XU J R， FU X H， et al. Hybrid algorithm combining genetic algorithm with back propagation neural network for extracting the characteristics of multi?peak Brillouin scattering spectrum [J]. Frontiers of optoelectronics， 2017， 10（1）： 62?69.

[11] HONG G. Research on the hybrid algorithm on the basis of BP neural network and the improved genetic algorithm [J]. Open automation &； control systems journal， 2015， 7（1）： 1094?1099.