基于支持向量機的自行車運動員綜合素質評價體系研究?

楊 琳 李 媛 楊 艷 韓 婧 韓美林 喬成芳

（1.商洛學院 商洛 726000）（2.商洛市體育局 商洛 726000）

1 引言

隨著自行車運動的流行與普及，越來越多人成為專業運動員參與到自行車比賽當中。自行車運動員的綜合素質的高低是決定車隊比賽成績的關鍵。對自行車運動員綜合素質的科學評價成為一項重要的問題［1～2］。前蘇聯在 1980年奧運會信息網絡的基礎上成立了全蘇體育自動化管理研究所，其計算機中心擁有龐大的數據庫，包括運動員檔案、訓練、比賽、營養、體育設備、經費等各方面的數據。在20世紀90年代，我國一些科技工作者完成了大規模的關于自行車運動員科學選材標準的課題［3～5］，取得了很多成果，包括獲得自行車運動員各項信息的大量數據，為自行車運動員的綜合素質評價提供了科學的理論依據。一直以來，諸多學者從自行車遠動員的專項能力、身體素質、運動能力、遺傳、心理素質等方面展開了研究并取得了很多成果，為運動員選材和訓練實踐提供了廣泛的理論依據和實際應用方法。劉元田［6］開發了自行車運動員選材軟件，平淵［7］、崔建光［8］分別研究了自行車運動員身體特征與專項技能的關系，但仍存在評價結果與實際差距大、評價方法不合理、評價主體的不完善、評價內容不完整等問題。與此同時，近五年來人工智能的發展較為迅速，尤其是BP神經網絡［9～10］、支持向量機［11～12］、遺傳算法［13］、深度學習［14］等智能算法理論得到爆裂性的發展，廣泛應用于語音識別、圖像分類、智能控制、股票預測等。本文提出利用支持向量機和遺傳算法這樣的智能算法來設計一套自行車運動員綜合素質評價體系，選取225個運動員的身體形態、身體機能、運動能力、專項能力4類指標中的16個影響因素數據，進行了較為全面的數據分析，改進了搜尋網絡參數的遺傳算法，提高了識別準確率和效率。

2 自行車運動員素質評價體系的構建

2.1 構建方法與設計原則

建立自行車運動員綜合素質評價體系需要遵循以下原則，包括科學性、可執行性、重點因素屬性值突出等。

1）科學性：自行車運動員綜合素質評價體系復雜，建立指標體系要全面、有主次、簡約、獨立性好，同時需要涵蓋運動員素質的各個方面，選取指標和因素需以“素質”作為重點，具體要結合自行車運動員的自身特點；為了得到公平、公正的評價結果，采集數據和對數據的預處理也需要有科學性。

2）可執行性：在建立自行車運動員綜合素質評價體系時，要考慮到指標、因素數據獲取的可操作性，數據必須表示明確、表達簡潔、易于采集和處理，必須方便采集數據并處理。

3）重點指標突出：建立自行車運動員綜合素質評價體系時必須有主有次，突出速度、踏頻等重點指標。

2.2 指標體系構建

自行車運動員的綜臺素質包括多個方面，采用層次分析法，將這些指標分為三層：目標層、指標層、因素層。本課題從身體形態、身體機能、運動能力、專項能力四個指標作為評價的標準，再綜合考慮各個指標的詳細情況和相關性，將這四類指標具體細分為如圖1所示的16項因素。

1）身體形態指標是指反應身體生長情況的各項素質，包括克托萊指數（X1）、肩寬身高比（X2）、胸圍身高比（X3）、比踝圍（X4）。這些因素反應了運動員的身體形態，對運動員的騎行速度、穩定程度有舉足輕重的影響。

2）身體機能指標是指反應身體健康狀況的各項素質，包括體脂率（X5）、血紅蛋白含量（X6）、安靜心率（X7）、最大攝氧量（X8），這些因素直接影響著運動員是否能夠正常訓練或比賽。

3）運動能力指標是指反應身體在體育運動方面的各項素質，包括無氧閡值（X9）、60m跑時間（X10）、選擇反應時（X11）、立定跳遠距離（X12）。這些因素決定了運動員在隊伍中間的位置。

4）專項能力指標是指反應自行車運動方面的各項專業素質，包括30s平均踏蹬頻率（X13）、30s最大功率（X14）、30s最大心率（X5）、神經類型（X6）。這些因素是確定運動員能力的關鍵性專業因素。

圖1 自行車運動員質素質評價指標體系

3 神經網絡評級模型概述

3.1 神經網絡

神經網絡，又稱作人工神經網絡（Artificial Neural Networks），是一種模仿動物或者人的神經網絡運作模式的數學模型，這種網絡有大量的神經元，包括輸入層、隱含層、輸出層，節點之間的關系稱為權重。權重值、輸入、迭代次數決定了網絡的輸出。通過一次次迭代，調整關系權重，從而得到最理想的輸出。能夠自適應和自學習是人工神經網絡最突出的特性。

3.2 支持向量機

支持向量機（Support Vector Machine，SVM）是一種神經網絡算法，屬于有監督學習的神經網絡模型，廣泛應用于模式識別、線性回歸、聚類、數據分析等領域。給定一組訓練樣本，每一個樣本去標記分類，一個SVM訓練算法建立了一個模型，分配新的坐標進行分類。一個支持向量機將在一維、多維、或無限維的空間中形成一個或多個超級平面，一個理想的分類器對于每一個分類都有最接近的訓練數據范圍，一般情況下裕度越大范化誤差越大。

4 自行車運動員素質評價網絡模型的構建與應用

4.1 網絡結構建立

本文根據自行車運動員水平影響因素的分析，選擇結構較為容易的CNN神經網絡，并在該網絡中引入SVM算法。因為當結構合理、投值條件也相對恰當的條件下，CNN網絡容易逼近到任意的里阿奴函數。選擇表示運動員水平的16個因素作為系統的輸入層，而將反應自行車運動員水平和影響因素的映射關系作為隱含層，評價等級作為輸出層，輸出結果的可能性有1，2，3，4，5，6六種，分別表示自行車運動員的綜合素質評價等級為優秀，良好，一般，合格，較差，差。根據分析的結果，建立SVM神經網絡模型如圖2所示。

建立了自行車運動員素質評價指標體系后，每個指標需要有權重值，咨詢相關領域專家后，利用層分析法，經過數據計算與分析，得到指標的權重。目標層之于指標層的權重向量為A=［0.09，0.20，0.34，0.37］，其含義是身體形態、身體機能、運動能力、專項能力四個指標對評價結果的影響分別為9%、20%、34%、37%。因素層相對于指標層的權重向量為，B1=［0.3，0.2，0.2，0.3］、B2=［0.17，0.28，0.11，0.44］、B3=［0.29，0.21，0.27，0.23］、B4=［0.3，0.3，0.28，0.12］分別表示克托萊指數、肩寬身高比、胸圍身高比、比踝圍這些因素對身體形態指標的影響程度分別為30%、20%、20%、30%；體脂率、血紅蛋白含量、安靜心率、最大攝氧量這些因素對身體機能指標的影響程度分別為17%、28%、11%、44%；無氧閡值、60m跑時間、選擇反應時、立定跳遠距離、這些因素對運動能力指標的影響程度分別為29%、21%、27%、23%；30s平均踏蹬頻率、30s最大功率、30s最大心率、神經類型這些因素對專項能力指標的影響程度分別為30%、30%、28%、12%。最后取幾何平均值作為因素層的權重值C=［0.027 0.018 0.018 0.027 0.034 0.056 0.022 0.088 0.0986 0.0714 0.0918 0.0782 0.111 0.111 0.1036 0.0444］。

圖2 自行車運動員綜合素質評價指標網絡結構

4.2 樣本數據的選取和預處理

選取我國六個省級自行車隊的225名男運動員的各項因素信息作為樣本數據（Xij）m×n，有m個樣本，n項因素（m=225，n=16），其中i為樣本序號，范圍是［1，225］，而j為因素序號，范圍是［1，16］。對每一項因素的225個數據做歸一化處理，利用如式（1）所示的映射關系將每一項因素的數據范圍轉化到［0，1］。

這225個樣本數據中選取前108個作為訓練樣本數據，后117個作為測試樣本數據。各項因素歸一化數據的box可視化效果和因素分維可視化效果如圖3、圖4所示，訓練集的分類結果如圖5所示。

圖3 自行車運動員因素數據的box可視化圖

圖4 自行車運動員因素數據的分維可視化圖

圖5 訓練集分類結果的標簽分布圖

4.3 模型訓練與預測

SVM的核函數有徑向、兩層感知器、多項式、線性等非分類下的若干種函數。由于自行車運動員因素與結果之間的非線性關系，本文將RBF徑向函數作為系統的核函數，主要是因為這個函數，能滿足各因素屬性值與標簽值的非線性關系，所以更加適用于高維空間。RBF函數的輸入輸出映射關系如式（2）。

其中，γ是核函數的參數，x是樣本值，模型中的默認系統參數是c=2，g=1。以樣本中的前108項作為訓練樣本，建立模型后，以后117項數據作為測試樣本，利用此模型進行預測。預測的標簽值與實際標簽值對比如圖6所示，其準確率為87.1795%

圖6 自行車運動員測試集預測結果

4.4 參數改進

默認的懲罰參數，得到的預測準確率并不理想，因此需要去調節參數。也就是尋找最佳的g參數和c參數，從而得到理想的預測準確率。常見的方法有粒子群優化算法（PSO）、網格搜尋法、遺傳算法（GA）。在本文中利用這些方法來優化g參數和c參數。

4.4.1 網格搜尋法

網格搜尋法的基本思路是，先規定一個g參數和c參數的粗略搜尋范圍，在這個范圍內按照一定的順序和步進，利用每一組參數去預測，得到一個最佳準確率對應的最佳參數組合。

執行第一次粗略搜尋后，進一步縮小搜尋范圍并調整步進，再一次執行精細搜尋。本文中搜尋的結果如圖7所示，其中粗略搜尋的結果如圖（a）、（c），最佳參數為c=64 g=0.0110，準確率為 AC=93.2870%，精細搜尋的結果如圖（b）、（d）c=6.9644 g=0.2415，準確率AC=94.7222%。

圖7 網格法cg參數選擇結果圖

4.4.2 遺傳算法

利用網格搜尋法，可以在一定范圍內找到最佳的懲罰參數c、g，但是當搜尋范圍比較大，或者步進值比較小時，這種方法就會耗費大量的時間。而引入遺傳算法去選擇懲罰參數，就不用遍歷網格中的每一個點，很大程度上提高效率，節約時間。遺傳算法的算法流程如圖8所示，經過200次迭代，遺傳算法確定最佳參數是c=5.650 g=0.25，cg參數的適應度曲線如圖9所示，分類結果如圖10所示，準確率為AC=96.8812%，時間從99.1372s減少到31.4341s。

圖8 遺傳算法獲取最佳cg參數的算法流程

圖9 獲取最佳cg參數（遺傳算法）的適應度曲線

圖10 最佳cg參數下的預測結果（遺傳算法）

4.4.3 改進的遺傳算法

可以看出，遺傳遺傳算法提高了搜尋效率，但是，準確率還有待提高。本文在遺傳算法的基礎上提出了改進思路，將損耗函數ε引入到遺傳算法模型中去優化，因為損耗函數ε同樣會影響模型的預測準確率。改進算法的流程如下：

1）種群初始化，設置懲罰參數c、核函數參數g、損耗函數ε的初始范圍，這個范圍盡可能地設大一些。

2）計算并保存適應度。

3）當前種群數據處理后，順序執行選擇、交叉、變異過程。

4）查看結束迭代條件是否滿足，滿足，則將最好的參數輸出；不滿足，則繼續下一輪迭代。

5）利用最優化的參數（c，g，ε）進行數據的預測，得到最佳結果。

用改進的算法得到最優參數為c=7.1166，g=0.2964，ε=0.1254。這組參數下，預測準確率為98.2906%，耗時為35.8811s。

4.5 結果討論

表1 不同方法選擇cg參數的效果對比

幾種方法選擇c、g參數的結果對比如表1所示。可以看出，比起默認的c、g參數，網格搜尋法的大大提高了準確率，但是耗時長增加了近乎200倍，主要是因為網格搜尋法遍歷了有可能的所有參數點。精細搜尋比粗略搜尋縮小了范圍，但是搜尋步進更小，意味著網格更加精細，二者耗時不相上下，在準確率上，精細搜尋略優于粗略搜尋。引入遺傳算法來搜尋c、g參數，不用去遍歷網格中的所有點，更加高效和智能，比起精細網格搜尋耗時降低了74%，準確率提高了2.1%。將遺傳算法進行改進，把損耗函數ε的選擇也引入到遺傳算法當中，最終，進一步提高了識別的準確率到98.29%。

5 結語

將神經網絡和支持向量機的理論應用于公路自行車運動員綜合素質評價中，對225名運動員的四類指標16個因素數據進行預處理后，建立了SVM評價模型，利用這個模型對運動員的綜合素質進行評價，得到以下結論。

1）為了提高網絡模型的可信度，選擇225項數據中的前108項作為訓練集數據，后117項作為測試集數據，以評價類型作為網絡的輸出標簽。實驗結果表明，正確率在98%左右，能滿足運動員綜合素質評價的需求。

2）SVM算法克服了BP網絡中神經元不穩定等缺陷，降低了人為因素對評價結果的影響，同時提高了網絡模型的穩定性。

3）在預測的過程中參數c、g對預測結果有很大程度的影響，因此需要找到最佳的c、g參數。網格搜尋法，提高了預測準確率，但是耗時太長。GA算法的引入很大程度減少了耗時，提高了準確率。改進的GA算法將準確率進一步提高。

4）在訓練過程中所使用數據樣本不夠全面，只有225條數據，這種數據量的局限性可能會一定程度地影響評價結果。在后續對的研究中，將盡可能地擴大數據量，來提高網絡學習和預測的精準程度。

5）SVM和GA算法相結合的自行車運動員綜合素質評價模型，準確率達到98.2906%，效果較為理想，為自行車運動員的選材、訓練、比賽提供科學的方法和依據。