因子分析和神經(jīng)網(wǎng)絡(luò)相融合的體育成績預(yù)測(cè)模型

陳岷

摘 要： 預(yù)測(cè)體育成績是制定科學(xué)體育訓(xùn)練規(guī)劃的關(guān)鍵，針對(duì)當(dāng)前模型預(yù)測(cè)精度低的問題，提出因子分析與神經(jīng)網(wǎng)絡(luò)相融合的體育成績預(yù)測(cè)模型。根據(jù)體育成績先驗(yàn)信息構(gòu)建自相似回歸模型，對(duì)體育成績數(shù)據(jù)進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解和因子分析，采用BP神經(jīng)網(wǎng)絡(luò)建立體育成績預(yù)測(cè)模型，并通過仿真實(shí)驗(yàn)對(duì)性能進(jìn)行測(cè)試，結(jié)果表明，采用該模型進(jìn)行體育成績預(yù)測(cè)的精度較高，收斂性較好。

關(guān)鍵詞： 經(jīng)驗(yàn)?zāi)B(tài)分解； 時(shí)間序列； 因子分析； 神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)： TN711?34； TP391 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 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(yīng)體育訓(xùn)練水平的重要表現(xiàn)，通過對(duì)體育成績的準(zhǔn)確預(yù)測(cè)能挖掘出人體訓(xùn)練的規(guī)則性因子和特征，從而促進(jìn)運(yùn)動(dòng)訓(xùn)練和體育教學(xué)的改進(jìn)。因此，研究體育成績的預(yù)測(cè)模型在促進(jìn)科學(xué)訓(xùn)練、提高運(yùn)動(dòng)成績方面具有重要意義。

體育成績的預(yù)測(cè)準(zhǔn)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(yùn)動(dòng)場(chǎng)館以及各種環(huán)境因素。對(duì)體育成績的預(yù)測(cè)模型是一個(gè)多變量和多參量的統(tǒng)計(jì)分析過程，涉及的學(xué)科有統(tǒng)計(jì)學(xué)、信息處理學(xué)和現(xiàn)代數(shù)學(xué)[1]。傳統(tǒng)方法中，對(duì)體育成績的預(yù)測(cè)方法有基于AR模型估計(jì)的體育成績預(yù)測(cè)算法[2]、特征空間分解方法[3]、經(jīng)驗(yàn)?zāi)B(tài)分解方法[4]、基于小波分析的體育成績時(shí)間序列預(yù)測(cè)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(gòu)方法構(gòu)建預(yù)測(cè)模型，具有較好的預(yù)測(cè)效果。但這些方法存在計(jì)算開銷大、預(yù)測(cè)過程中對(duì)參量的自適應(yīng)抗干擾性差等問題，導(dǎo)致預(yù)測(cè)的精度低。

針對(duì)上述問題，本文提出基于因子分析和神經(jīng)網(wǎng)絡(luò)相融合的體育成績預(yù)測(cè)模型。對(duì)統(tǒng)計(jì)的體育成績先驗(yàn)信息構(gòu)建自相似回歸模型，在自相似回歸模型中對(duì)體育成績時(shí)間序列進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解和因子分析，采用BP神經(jīng)網(wǎng)絡(luò)分類模型進(jìn)行體育成績的特征信息聚類和信息融合處理，實(shí)現(xiàn)預(yù)測(cè)模型優(yōu)化。最后通過仿真實(shí)驗(yàn)進(jìn)行測(cè)試，得出有效性結(jié)論，展示了本文預(yù)測(cè)模型在提高預(yù)測(cè)精度方面的優(yōu)越性。

1 體育成績預(yù)測(cè)的數(shù)學(xué)模型

1.1 體育成績統(tǒng)計(jì)參數(shù)分析

體育成績數(shù)據(jù)可以看作是一組非線性時(shí)間序列。采用非線性時(shí)間序列方法分析體育成績的走勢(shì)，統(tǒng)計(jì)分析體育成績，采用一個(gè)多元統(tǒng)計(jì)特征方程描述體育成績的擬合狀態(tài)模型為：

最后得到的[ykN-1k=1]是一個(gè)具有可預(yù)測(cè)性的體育成績時(shí)間序列。在BP神經(jīng)網(wǎng)絡(luò)中通過對(duì)體育成績的信息屬性分類，進(jìn)行體育成績的特征信息聚類和信息融合處理，實(shí)現(xiàn)預(yù)測(cè)模型優(yōu)化設(shè)計(jì)。

3 結(jié)果與分析

采樣樣本來自于某高校大一和大二學(xué)生的體育成績，包括的體育項(xiàng)目有3 km長跑、100 m短跑、游泳等。對(duì)采集的體育成績進(jìn)行統(tǒng)計(jì)分析和最小二乘擬合，并在Matlab仿真軟件中分析數(shù)據(jù)。神經(jīng)網(wǎng)絡(luò)采用的是三層網(wǎng)絡(luò)結(jié)構(gòu)，學(xué)習(xí)訓(xùn)練參數(shù)為[NEj*（t）=1+9e-t1 024=12，]體育成績測(cè)試集中，碼數(shù)為1 024個(gè)，環(huán)境信息對(duì)預(yù)測(cè)模型的干擾強(qiáng)度設(shè)定為13 dB，數(shù)據(jù)采樣的時(shí)間間隔為1.5 d，迭代次數(shù)為10 000次。

根據(jù)上述仿真設(shè)定，設(shè)計(jì)體育成績預(yù)測(cè)模型，得到樣本數(shù)據(jù)時(shí)域波形描述如圖2所示。

以上述采集的體育成績統(tǒng)計(jì)樣本為測(cè)試集，進(jìn)行體育成績預(yù)測(cè)模型仿真分析，得到不同方法的預(yù)測(cè)誤差對(duì)比結(jié)果如圖3所示。

根據(jù)上述仿真結(jié)果，得出如下結(jié)論：

（1） 隨著迭代步數(shù)的增多，預(yù)測(cè)誤差降低，這是因?yàn)橥ㄟ^多次迭代，使用體育成績的先驗(yàn)信息較多，使得預(yù)測(cè)精度提高。

（2） 利用本文模型進(jìn)行體育成績預(yù)測(cè)的誤差小于傳統(tǒng)方法，相差的最大幅度達(dá)到35.98%。由于本文方法使用因子分析和神經(jīng)網(wǎng)絡(luò)訓(xùn)練，進(jìn)行體育成績的數(shù)據(jù)信息聚類和融合，提高了預(yù)測(cè)精度，在收斂性和穩(wěn)健性方面具有較好的表現(xiàn)。

4 結(jié) 語

為了提高體育運(yùn)動(dòng)訓(xùn)練的科學(xué)指導(dǎo)性，進(jìn)行體育成績預(yù)測(cè)，提出了因子分析和神經(jīng)網(wǎng)絡(luò)相融合的體育成績預(yù)測(cè)模型。并對(duì)本文提出的模型進(jìn)行性能測(cè)試，結(jié)果表明，本文模型提高了體育成績預(yù)測(cè)的精度，而且預(yù)測(cè)誤差可以滿足實(shí)際應(yīng)用的要求。

參考文獻(xiàn)

[1] 趙波.十項(xiàng)全能世界頂尖男子運(yùn)動(dòng)員成績分析及預(yù)測(cè)研究[J].體育文化導(dǎo)刊，2013（3）：76?79.

[2] 趙丙軍.運(yùn)用多元回歸方法建立我國男子跳遠(yuǎn)項(xiàng)目訓(xùn)練模型的研究[J].西安體育學(xué)院學(xué)報(bào)，2011，18（1）：81?82.

[3] 魏春玲.我國十項(xiàng)全能運(yùn)動(dòng)成績的因子分析及灰色系統(tǒng)回歸預(yù)測(cè)研究[J].體育科學(xué)，2004，24（11）：51?53.

[4] 劉國璧，袁宏俊，孫群，等.基于模糊神經(jīng)網(wǎng)絡(luò)的劉翔110 m欄成績預(yù)測(cè)[J].安徽電子信息職業(yè)技術(shù)學(xué)院學(xué)報(bào)，2011，10（1）：16?18.

[5] 龍斌.基于支持向量機(jī)的劉翔110m欄成績預(yù)測(cè)[J].天津體育學(xué)院學(xué)報(bào)，2009，24（4）：330?333.

[6] 王宗平，孫光.應(yīng)用BP神經(jīng)網(wǎng)絡(luò)算法對(duì)運(yùn)動(dòng)成績預(yù)測(cè)的實(shí)證研究[J].南京體育學(xué)院學(xué)報(bào)，2006，20（4）：109?111.

[7] 莊沖，王宗平.灰色系統(tǒng)模型與BP神經(jīng)網(wǎng)絡(luò)模型在體育成績預(yù)測(cè)方面的比較研究[J].南京體育學(xué)院學(xué)報(bào)，2006，20（6）：134?135.

[8] 李征宇，閆生.神經(jīng)網(wǎng)絡(luò)模型在運(yùn)動(dòng)成績預(yù)測(cè)中的應(yīng)用[J].哈爾濱體育學(xué)院學(xué)報(bào)，2009，27（2）：110?113.

[9] 劉昊.非線性篩選因子和加權(quán)的體育成績建模與預(yù)測(cè)[J].計(jì)算機(jī)應(yīng)用與軟件，2014，31（11）：105?108.