基于粒子群優化神經網絡的大學生體育成績預測

王思

摘 要： 高校對大學生的綜合素質發展越來越重視，為準確對體育成績預測進行，為體育教學目標建立提供可靠的分析基礎，提出了基于粒子群優化神經網絡的大學生體育成績預測方法。該模型以神經網絡作為基礎，粒子群優化算法通過個體極值和全局極值兩個極值更新粒子位置和速度優化神經網絡方差和權值，增強神經網絡預測的大學生體育成績的精確度。通過實驗分析結果表明，相于傳統方法，本文方法的收斂速度更快、誤差更低，對大學生體育成績的預測結果更精準，具有較高的抗噪性能和實用性。

關鍵詞： 粒子群; 優化; 神經網絡; 大學生; 體育成績; 預測

中圖分類號： F 274 ? ? ?文獻標志碼： A

Abstract： At present， colleges and universities pay more and more attention to the development of college students comprehensive quality， which provides a reliable analysis basis for the accurate prediction of physical education achievements and the establishment of physical education teaching objectives. A prediction method of college students physical education achievements based on particle swarm optimization neural network is proposed. The model is based on neural network. PSO optimizes the variance and weight of the neural network by updating the position and speed of the particles through the individual extremum and the global extremum， so as to enhance the accuracy of the prediction of college students sports performance by the neural network. The experimental results show that， compared with the traditional method， the convergence speed of this method is faster， the error is lower， the prediction results of College Students sports performance are more accurate， and it has a higher anti-noise performance and practicability.

Key words： particle swarm; optimization; neural network; college students; sports results; prediction

0 引言

為使當代大學生德、智、體、美、勞全面發展，高校高度重視大學生的體育活動，投入了大量的精力和財力，累計了數據龐大的歷屆大學生體育成績數據，分析歷史體育成績數據并進行大學生體育成績的預測，得出的預測結果可為高校今后的教學方向做出重要指導，同時預測結果對高校大學生身體素質發展特征起到跟蹤監督的作用[1-3]。因此尋求一種高效準確的大學生體育成績預測方法一直是各學者研究的重要方向。

神經網絡一般應用在不確定輸入輸出函數映射中，可確定線性對應關系的情況。它具備穩定的有效性和適應性，正向傳播信號、反向傳播誤差，常常被應用在各種領域中[4-5]。常見的神經網絡方法存在一些缺點，比如訓練時忽略了舊樣本只對新樣本進行學習、收斂時速度較慢、錯失全局最優值生成局部值極小。為優化這些缺點，可以在神經網絡的基礎引用粒子群優化方法。粒子群優化方法（PSO）以群智能原理為基礎，該方法通過生物進化過程隨機搜索達到群居優化，其具備收斂速度快對初始值不依賴的特點，可以有效優化神經網絡[6]。

為了提高大學生體育成績預測準確性，提出了基于粒子群優化神經網絡的大學生體育成績預測方法，實現大學生體育成績的高效率、高精度預測。

1 粒子群優化神經網絡的大學生體育成績預測方法1.1 粒子群優化神經網絡模型

1.1.1 神經網絡

神經網絡是多層前饋網絡，單向傳播一般在三層或者三層以上的范圍內，以下為神經網絡運算的步驟：

（1） 設置一個非零隨機數，其Vkl較小，設置范圍為每層的權系數[7]。

用神經網絡描述式（14），依據輸入輸出樣本數據訓練獲取神經網絡參數，完成方程（14）的最優目標映射。

本文在大學生體育成績預測特征的基礎上，通過基于粒子群優化神經網絡模型，提高大學生體育成績預測的精度。

2 實驗結果與分析

采用某大學50名大一新生的大學生的1 000 m長跑體育成績作為實驗對象，經過反復計算分析數據真實反映該校大學生的體育成績趨勢。本文方法采用的神經網絡有3個輸入節點，1個輸出節點，10個隱單元，粒子群優化方法種群m=40，慣性權重最初值為1，隨著迭代次數逐漸減少慣性權重減至0.5，x1與x2的值相等均為3，[-19.19]是連接權值的變化區間，當迭代次數達到最大時，迭代停止。對比本文方法與其他常見神經網絡優化方法（如GDX方法、LM方法）的預測誤差與收斂速度，如表1所示。

本文方法的收斂時間明顯快于其他兩種大學生體育成績預測方法，說明本文大學生體育成績預測方法的收斂速度更佳。從大學生體育成績預測預測誤差來看，本文方法進行大學生體育成績預測的預測誤差始終低于另兩種方法，說明本文方法的大學生體育成績預測預測結果精度更高。

隨機選取實驗對象50名大學生中的10名學生，分別采用本文方法、GDX方法以及LM方法，預測10學生的100 m短跑成績，測試三種方法的預測結果同實際結果間的差值，如圖1所示。

從圖1可以看出，三種方法的擬合度都比較接近，但GDX方法無法預測短跑成績中的隨機性，因此預測值高于實際值，預測精度不準;LM方法預測的大學生100 m短跑成績相較于GDX方法預測的大學生100 m短跑成績效果略好，但預測精度低于本文方法;采用本文方法預測的大學生100 m短跑成績同實際值間的誤差最低，預測精度最高，主要是因為本文方法通過神經網絡預測大學生體育成績過程中，通過粒子群優化神經網絡，提高預測效率和精度，說明使用本文方法對大學生體育成績進行預測效果最優。

對比本文方法與其他方法的預測效果后，需要對其預測大學生體育成績的通用性進行驗證，采用三種方法預測實驗對象的200 m、400 m、800 m、跳遠、跳高、鉛球的平均體育成績，預測精度結果，如表2所示。

從表2中可以看出利用本文方法預測的大學生體育成績時，各運動項目的體育成績預測精度均高于95%，而另兩種方法的精度均在90%以下，說明本文方法進行大學生體育成績預測的通用性強、精度高，可以廣泛應用于今后的大學生體育成績研究中。

測試三種方法的查全率，如圖2所示。

分析圖2可以看出，本文方法查全率高于另兩種方法，查全率在98%以上，GDX方法的查全率和LM方法的查全率分別為94%和92%，本文方法的大學生體育成績數據查全率較高。

為了驗證本文方法預測大學生體育成績時的抗噪性能，在采集的大學生體育成績中添加噪聲干擾，統計本文方法和GDX方法、LM方法分別在10dB和20dB信噪比下的輸出峰值信噪比，結果如表3所示。

從表3可以看出，經過不斷的迭代計算，本文方法的信噪比平均值在10 dB和20 dB噪聲強度下分別為10.27 dB和13.03 dB，普遍高于GDX方法和LM方法在10 dB和20 dB噪聲強度下的信噪比平均值，由此可以看出，本文預測方法抗噪性能高，可提高大學生體育成績的預測效果。

測試三種方法的性能情況，評估體育成績預測方法的實用性，測試結果如表4所示。

從表4中可以看出，本文方法無論是收斂速度還是模型結構等性能優于其它兩種方法，預測精度是大學生體育成績預測中至關重要的部分，本文方法的預測精度高于另兩種方法，且本文方法使用范圍廣，發展前景大，是一種適用于大學生體育成績預測的最佳方法。

3 總結

大學生體育成績是分析大學生身體情況和運動情況的重要參考數據，對大學生體育成績的預測是對今后教學計劃進行有效指導的關鍵依據。神經網絡具有收斂速度慢、錯失全局最優值等缺點，使用粒子群算法對神經網絡進行優化，建立粒子群優化神經網絡模型對大學生體育成績進行預測。從以我國某大學50名大一新生體育成績為對象的實驗驗證中得出，本文方法具備預測效率高、預測精度高、抗噪性能強以及實用性優的優勢，是預測大學生體育成績最佳方法。

參考文獻

[1] 羅春燕，孫力菁，曲爽笑，等.上海市高中學生體育鍛煉行為與學習成績分析[J].中國學校衛生，2017，38（12）：1804-1806.

[2] 焉石，李夢迪，李尚濱，等.交易型領導行為與大學生堅持體育鍛煉意愿的關系：鍛煉自我效能感和體育課滿意感的鏈式中介[J].沈陽體育學院學報，2019，38（4）：108-116.

[3] 車超，張曉東，孫南.世錦賽視角下男子投擲成績發展、預測及對我國男子投擲的影響[J].武漢體育學院學報，2019，53（6）：94-100.

[4] 唐波，劉任，江浩田，等.基于BP神經網絡的IGBT模塊開關損耗求解[J].高壓電器，2019，55（7）：27-32.

[5] 何永波，李青，張寧，等.RBF神經網絡可靠度分析方法在邊坡穩定性研究中的應用[J].中國安全生產科學技術，2019，15（7）：130-136.

[6] 高帥，胡紅萍，李洋，等.基于改進的思維進化算法與BP神經網絡的AQI預測[J].數學的實踐與認識，2018，48（19）：151-157.

[7] 王燕燕，王宏偉.基于粒子群的后件多項式RBF神經網絡算法[J].計算機工程與應用，2019，55（12）：72-76.

[8] 羅曉潔，王卉，張崇林.基于人工神經網絡的大學生體脂百分比預測方程的構建[J].上海體育學院學報，2019，43（3）：121-126.

[9] 王方.基于神經網絡的2020年奧運會獎牌成績預測[J].統計與決策，2019，35（5）：89-91.

[10] 殷禮勝，唐圣期，李勝，等.基于整合移動平均自回歸和遺傳粒子群優化小波神經網絡組合模型的交通流預測[J].電子與信息學報，2019，41（9）：2273-2279.

[11] 熊志斌.基于改進粒子群模糊神經網絡的信用評估[J].統計與決策，2019，35（5）：55-58.

[12] 馮佩，李俁.基于人工神經網絡和粒子群優化的半導體激光器參數反向設計方法[J].中國激光，2019，46（7）：9-15.

[13] 李煥玉，李衛東，沈鶴軍，等.實戰情境課程模式對大學生體育學習情境興趣影響的實驗研究[J].成都體育學院學報，2019，45（3）：105-111.

[14] 王德慧，李麗慧，李錦瓊，等.中國漢族中小學生身體素質成績變化灰色均值預測研究[J].中國學校衛生，2019，40（3）：457-460.

[15] 章茹，李海峰.江蘇省中小學生參與體育鍛煉行為影響因素分析[J].中國學校衛生，2017，38（12）：1793-1795.

（收稿日期： 2020.03.04）