體育成績測試中BP神經網絡的應用分析

賈西棟

(安康學院，體育學院，陜西，安康 725000)

0 引言

人工神經網絡采用一種基于計算機科學的學習方法，能夠對人類大腦處理問題的方法進行模擬。與人腦類似，人工神經網絡也由眾多神經元構成，處理問題過程中依靠神經元之間相互作用。與傳統的計算機算法相比，人工神經網絡算法能夠在不需要獲取數據分布和變量關系的情況下，對具有復雜非線性關系的輸入和輸出關系進行動態處理[1-5]。

反向傳播(BP)神經網絡算法是一種前饋網絡，利用誤差反向傳播修改參數。BP神經網絡的主要架構包括輸入層、隱藏層和輸出層。不同層的神經元之間相互連接，但處于同一層的神經元之間沒有連接。在每一層的神經元接收到上一層神經元的輸入后，處理過后只將結果輸出到下一層，并不對上一層進行反饋。BP神經網絡處理問題時具有正向傳播和反向傳播2個過程。正向傳播是由輸入層輸入信息，依次進入隱含層和輸出層。若輸出結果正確，則不進入此反向傳播過程；否則，以計算誤差為基準進入輸出層、隱含層和輸入層的反向傳播過程。

BP神經網絡算法應用十分廣泛，尤其是在經濟預測領域的相關研究眾多[6-7]。近年來，BP神經網絡算法也被應用到了體育成績測試中，例如王宗平和孫光[8]利用BP神經網絡算法對1990-1997年間200 m男子仰泳的全國記錄進行預測，并于實際結果進行了對比，預測結果較為準確。本文也將BP神經網絡算法應用到了體育成績測試方面，并以3 000 m長跑為例進行實例研究。

1 BP神經網絡的構建

本文所設計的BP神經網絡系統的算法流程如圖1所示。

圖1 BP神經網絡算法流程圖

φ(x)為系統的激活函數，本文采用sigmoid函數，即

(1)

輸入層輸入的向量為[0,1]范圍內的值。

在給定了初始參數后，在輸入層輸入輸入向量和目標輸出向量，并對其進行標準化。標準化的目的是對輸入向量進行去誤差函數或去對數，方法如式(2)。

(2)

2μ+ν=1

然后將標準化的輸入向量依次輸入到隱含層。輸出結果和標準結果進行對比，若輸出結果與標準結果相同，則計算結束；若不同，則進行隱含層誤差的計算，進行反向傳播過程，修改權值。然后再接受下一個輸入。

2 關鍵技術的實現

本文采納的BP神經網絡是基于MATLAB構建的，主要包括模型設計、訓練和仿真3個部分，分別對應的函數為前反饋網絡創建函數newff、訓練函數train和仿真函數sim。本BP神經網絡構建的代碼如下，

net=newff(x,y,[31,31,2],{'tansig','tansig','purelin'},'traingdx');

%神經網絡訓練參數

……

net.train Param.show=10;

net.train Param.epochs=50 000;

net.train Param.goal=0.65*10^(-11);

net.train Param.lr=0.001;

……

%神經網絡訓練函數

……

net=train(net,x,y);%訓練函數

……

predresult=sim(net,x)

……

其中，前網絡反饋函數newff定義了輸入數據為x，newff輸出函數為y，隱含層和輸出層函數均為tansig函數，訓練函數為pureline函數，驗證數據劃分函數為traingdx，其3個設置參數為31、31、2；利用訓練函數對訓練過程參數進行了定義，訓練時間間隔，最大訓練次數，目標誤差和學習速率分別為10，50 000，0.65×10-11和0.001；預測函數sim定義了輸入到網絡的矩陣x和輸出矩陣y。其中，x為K×N，y為Q×N，N為數據樣本個數，K和Q分別為輸入個數和輸出個數。

3 運動員身體狀況與成績的關系

運動員的表現由其身體綜合狀況決定的，在實際研究中很難對其某一項健康指標對其成績的影響進行研究。本文利用所構建的BP神經網絡對運動員身體素質單一指標與其3 000 m長跑的成績之間的關系進行了研究。首先研究了其晨脈與成績之間的關系，如圖2所示。在15天的數據樣本內，運動員的晨脈若較為穩定，則其3 000 m長跑的成績也較為穩定，甚至有逐漸提升的趨勢；但若其晨脈處于不穩定期間，晨脈每分鐘跳動次數增加，會導致運動員的成績不穩定，甚至出現明顯下降的現象。分析其原因，可能是由于運動員前一天的運動量過大，導致其晨脈出現了不穩定的情況，進一步導致了其在之后的訓練中體力和身體狀態未處于完美狀態，所以在之后的訓練中成績下降較為明顯。

圖2 運動員晨脈與成績的關系

本文利用所構建的BP神經網絡對運動員血壓與其3 000 m長跑的成績之間的關系進行了研究，如圖3所示。在15天的數據樣本內，運動員的血壓與其成績之間的關系較為密切。測試結果表明，當運動員的收縮壓和舒張壓都處于較低狀態時，相應的成績則較差，則需要對運動員的訓練計劃進行調整，使其血壓恢復到正常狀態；相對來說，若收縮壓相對較高，舒張壓較低時，運動員的長跑成績則較好。運動員的血壓狀態處于臨界值時，其身體狀態一般處于最佳狀態，此時所取得的體育成績也一般為最佳成績。

圖3 運動員血壓與成績的關系

本文利用所構建的BP神經網絡對運動員血氧含量與其3 000 m長跑的成績之間的關系進行了研究，如圖4所示。在15天的數據樣本內，運動員的血氧含量與其成績之間的關系也較為密切。測試結果表明，當運動員的血氧含量處于較為穩定的狀態下時，如第1-5天內，運動的成績則出現逐漸提高的趨勢；而血氧含量出現了波動后，運動的成績則相應出現滯后性的相同波動趨勢。當前一天運動員的血氧含量提高，則次日其3 000 m長跑成績也相應提高；若前一天運動員的血氧含量降低，則次日其3 000 m長跑的成績也相應降低。

圖4 運動員體重與成績的關系

4 運動員成績的預測研究

為了驗證本BP神經網絡模型對運動員體育成績測試的準確性，本文以5名運動員為樣本，將其身體各項指標作為輸入向量，對他們的成績進行預測，預測結果如表1所示。實驗結果表明，利用本文所建立的BP神經網絡模型對運動員體育成績的仿真結果較為準確。在5次實驗中，4次實驗的誤差值小于0.2 min，最大誤差為0.4 min，最小誤差為0.1 min，平均誤差僅為0.18 min。也就是說，所構建的BP神經網絡模型在運動員體育成績預測中準確度較高。從而上文所得到的運動員晨脈、血壓和血氧含量對其3 000 m長跑的影響結論也具有較高的準確度和可信度。

表1 體育成績預測結果

5 總結

本文建立一種BP神經網絡模型，并對其計算流程和計算代碼進行了介紹。將該神經網絡模型運用到運動員3 000 m長跑成績測試中發現，該模型對運動員成績的仿真結果具有較高的準確性。通過對單一健康指標與體育成績之間關系的研究發現，運動員的晨脈、血壓和血氧飽和度均對其3 000 m長跑成績有所影響，當晨脈處于較為穩定狀態、血壓處于臨界狀態、血氧飽和度處于較為穩定狀態下時，運動員的身體狀態較好，相應的3 000 m長跑成績也較為穩定，且出現持續提高的趨勢。