基于粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)的大學(xué)生體育成績預(yù)測

王思

摘 要： 高校對大學(xué)生的綜合素質(zhì)發(fā)展越來越重視，為準(zhǔn)確對體育成績預(yù)測進(jìn)行，為體育教學(xué)目標(biāo)建立提供可靠的分析基礎(chǔ)，提出了基于粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)的大學(xué)生體育成績預(yù)測方法。該模型以神經(jīng)網(wǎng)絡(luò)作為基礎(chǔ)，粒子群優(yōu)化算法通過個(gè)體極值和全局極值兩個(gè)極值更新粒子位置和速度優(yōu)化神經(jīng)網(wǎng)絡(luò)方差和權(quán)值，增強(qiáng)神經(jīng)網(wǎng)絡(luò)預(yù)測的大學(xué)生體育成績的精確度。通過實(shí)驗(yàn)分析結(jié)果表明，相于傳統(tǒng)方法，本文方法的收斂速度更快、誤差更低，對大學(xué)生體育成績的預(yù)測結(jié)果更精準(zhǔn)，具有較高的抗噪性能和實(shí)用性。

關(guān)鍵詞： 粒子群; 優(yōu)化; 神經(jīng)網(wǎng)絡(luò); 大學(xué)生; 體育成績; 預(yù)測

中圖分類號(hào)： F 274 ? ? ?文獻(xiàn)標(biāo)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(dāng)代大學(xué)生德、智、體、美、勞全面發(fā)展，高校高度重視大學(xué)生的體育活動(dòng)，投入了大量的精力和財(cái)力，累計(jì)了數(shù)據(jù)龐大的歷屆大學(xué)生體育成績數(shù)據(jù)，分析歷史體育成績數(shù)據(jù)并進(jìn)行大學(xué)生體育成績的預(yù)測，得出的預(yù)測結(jié)果可為高校今后的教學(xué)方向做出重要指導(dǎo)，同時(shí)預(yù)測結(jié)果對高校大學(xué)生身體素質(zhì)發(fā)展特征起到跟蹤監(jiān)督的作用[1-3]。因此尋求一種高效準(zhǔn)確的大學(xué)生體育成績預(yù)測方法一直是各學(xué)者研究的重要方向。

神經(jīng)網(wǎng)絡(luò)一般應(yīng)用在不確定輸入輸出函數(shù)映射中，可確定線性對應(yīng)關(guān)系的情況。它具備穩(wěn)定的有效性和適應(yīng)性，正向傳播信號(hào)、反向傳播誤差，常常被應(yīng)用在各種領(lǐng)域中[4-5]。常見的神經(jīng)網(wǎng)絡(luò)方法存在一些缺點(diǎn)，比如訓(xùn)練時(shí)忽略了舊樣本只對新樣本進(jìn)行學(xué)習(xí)、收斂時(shí)速度較慢、錯(cuò)失全局最優(yōu)值生成局部值極小。為優(yōu)化這些缺點(diǎn)，可以在神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)引用粒子群優(yōu)化方法。粒子群優(yōu)化方法（PSO）以群智能原理為基礎(chǔ)，該方法通過生物進(jìn)化過程隨機(jī)搜索達(dá)到群居優(yōu)化，其具備收斂速度快對初始值不依賴的特點(diǎn)，可以有效優(yōu)化神經(jīng)網(wǎng)絡(luò)[6]。

為了提高大學(xué)生體育成績預(yù)測準(zhǔn)確性，提出了基于粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)的大學(xué)生體育成績預(yù)測方法，實(shí)現(xiàn)大學(xué)生體育成績的高效率、高精度預(yù)測。

1 粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)的大學(xué)生體育成績預(yù)測方法1.1 粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)模型

1.1.1 神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)是多層前饋網(wǎng)絡(luò)，單向傳播一般在三層或者三層以上的范圍內(nèi)，以下為神經(jīng)網(wǎng)絡(luò)運(yùn)算的步驟：

（1） 設(shè)置一個(gè)非零隨機(jī)數(shù)，其Vkl較小，設(shè)置范圍為每層的權(quán)系數(shù)[7]。

用神經(jīng)網(wǎng)絡(luò)描述式（14），依據(jù)輸入輸出樣本數(shù)據(jù)訓(xùn)練獲取神經(jīng)網(wǎng)絡(luò)參數(shù)，完成方程（14）的最優(yōu)目標(biāo)映射。

本文在大學(xué)生體育成績預(yù)測特征的基礎(chǔ)上，通過基于粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)模型，提高大學(xué)生體育成績預(yù)測的精度。

2 實(shí)驗(yàn)結(jié)果與分析

采用某大學(xué)50名大一新生的大學(xué)生的1 000 m長跑體育成績作為實(shí)驗(yàn)對象，經(jīng)過反復(fù)計(jì)算分析數(shù)據(jù)真實(shí)反映該校大學(xué)生的體育成績趨勢。本文方法采用的神經(jīng)網(wǎng)絡(luò)有3個(gè)輸入節(jié)點(diǎn)，1個(gè)輸出節(jié)點(diǎn)，10個(gè)隱單元，粒子群優(yōu)化方法種群m=40，慣性權(quán)重最初值為1，隨著迭代次數(shù)逐漸減少慣性權(quán)重減至0.5，x1與x2的值相等均為3，[-19.19]是連接權(quán)值的變化區(qū)間，當(dāng)?shù)螖?shù)達(dá)到最大時(shí)，迭代停止。對比本文方法與其他常見神經(jīng)網(wǎng)絡(luò)優(yōu)化方法（如GDX方法、LM方法）的預(yù)測誤差與收斂速度，如表1所示。

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

隨機(jī)選取實(shí)驗(yàn)對象50名大學(xué)生中的10名學(xué)生，分別采用本文方法、GDX方法以及LM方法，預(yù)測10學(xué)生的100 m短跑成績，測試三種方法的預(yù)測結(jié)果同實(shí)際結(jié)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(yù)測短跑成績中的隨機(jī)性，因此預(yù)測值高于實(shí)際值，預(yù)測精度不準(zhǔn);LM方法預(yù)測的大學(xué)生100 m短跑成績相較于GDX方法預(yù)測的大學(xué)生100 m短跑成績效果略好，但預(yù)測精度低于本文方法;采用本文方法預(yù)測的大學(xué)生100 m短跑成績同實(shí)際值間的誤差最低，預(yù)測精度最高，主要是因?yàn)楸疚姆椒ㄍㄟ^神經(jīng)網(wǎng)絡(luò)預(yù)測大學(xué)生體育成績過程中，通過粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)，提高預(yù)測效率和精度，說明使用本文方法對大學(xué)生體育成績進(jìn)行預(yù)測效果最優(yōu)。

對比本文方法與其他方法的預(yù)測效果后，需要對其預(yù)測大學(xué)生體育成績的通用性進(jìn)行驗(yàn)證，采用三種方法預(yù)測實(shí)驗(yàn)對象的200 m、400 m、800 m、跳遠(yuǎn)、跳高、鉛球的平均體育成績，預(yù)測精度結(jié)果，如表2所示。

從表2中可以看出利用本文方法預(yù)測的大學(xué)生體育成績時(shí)，各運(yùn)動(dòng)項(xiàng)目的體育成績預(yù)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(jìn)行大學(xué)生體育成績預(yù)測的通用性強(qiáng)、精度高，可以廣泛應(yīng)用于今后的大學(xué)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(xué)生體育成績數(shù)據(jù)查全率較高。

為了驗(yàn)證本文方法預(yù)測大學(xué)生體育成績時(shí)的抗噪性能，在采集的大學(xué)生體育成績中添加噪聲干擾，統(tǒng)計(jì)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(jié)果如表3所示。

從表3可以看出，經(jīng)過不斷的迭代計(jì)算，本文方法的信噪比平均值在10 dB和20 dB噪聲強(qiáng)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(qiáng)度下的信噪比平均值，由此可以看出，本文預(yù)測方法抗噪性能高，可提高大學(xué)生體育成績的預(yù)測效果。

測試三種方法的性能情況，評估體育成績預(yù)測方法的實(shí)用性，測試結(jié)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(jié)構(gòu)等性能優(yōu)于其它兩種方法，預(yù)測精度是大學(xué)生體育成績預(yù)測中至關(guān)重要的部分，本文方法的預(yù)測精度高于另兩種方法，且本文方法使用范圍廣，發(fā)展前景大，是一種適用于大學(xué)生體育成績預(yù)測的最佳方法。

3 總結(jié)

大學(xué)生體育成績是分析大學(xué)生身體情況和運(yùn)動(dòng)情況的重要參考數(shù)據(jù)，對大學(xué)生體育成績的預(yù)測是對今后教學(xué)計(jì)劃進(jìn)行有效指導(dǎo)的關(guān)鍵依據(jù)。神經(jīng)網(wǎng)絡(luò)具有收斂速度慢、錯(cuò)失全局最優(yōu)值等缺點(diǎn)，使用粒子群算法對神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，建立粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)模型對大學(xué)生體育成績進(jìn)行預(yù)測。從以我國某大學(xué)50名大一新生體育成績?yōu)閷ο蟮膶?shí)驗(yàn)驗(yàn)證中得出，本文方法具備預(yù)測效率高、預(yù)測精度高、抗噪性能強(qiáng)以及實(shí)用性優(yōu)的優(yōu)勢，是預(yù)測大學(xué)生體育成績最佳方法。

參考文獻(xiàn)

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

[2] 焉石，李夢迪，李尚濱，等.交易型領(lǐng)導(dǎo)行為與大學(xué)生堅(jiān)持體育鍛煉意愿的關(guān)系：鍛煉自我效能感和體育課滿意感的鏈?zhǔn)街薪閇J].沈陽體育學(xué)院學(xué)報(bào)，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(fā)展、預(yù)測及對我國男子投擲的影響[J].武漢體育學(xué)院學(xué)報(bào)，2019，53（6）：94-100.

[4] 唐波，劉任，江浩田，等.基于BP神經(jīng)網(wǎng)絡(luò)的IGBT模塊開關(guān)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(jīng)網(wǎng)絡(luò)可靠度分析方法在邊坡穩(wěn)定性研究中的應(yīng)用[J].中國安全生產(chǎn)科學(xué)技術(shù)，2019，15（7）：130-136.

[6] 高帥，胡紅萍，李洋，等.基于改進(jìn)的思維進(jìn)化算法與BP神經(jīng)網(wǎng)絡(luò)的AQI預(yù)測[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2018，48（19）：151-157.

[7] 王燕燕，王宏偉.基于粒子群的后件多項(xiàng)式RBF神經(jīng)網(wǎng)絡(luò)算法[J].計(jì)算機(jī)工程與應(yīng)用，2019，55（12）：72-76.

[8] 羅曉潔，王卉，張崇林.基于人工神經(jīng)網(wǎng)絡(luò)的大學(xué)生體脂百分比預(yù)測方程的構(gòu)建[J].上海體育學(xué)院學(xué)報(bào)，2019，43（3）：121-126.

[9] 王方.基于神經(jīng)網(wǎng)絡(luò)的2020年奧運(yùn)會(huì)獎(jiǎng)牌成績預(yù)測[J].統(tǒng)計(jì)與決策，2019，35（5）：89-91.

[10] 殷禮勝，唐圣期，李勝，等.基于整合移動(dòng)平均自回歸和遺傳粒子群優(yōu)化小波神經(jīng)網(wǎng)絡(luò)組合模型的交通流預(yù)測[J].電子與信息學(xué)報(bào)，2019，41（9）：2273-2279.

[11] 熊志斌.基于改進(jìn)粒子群模糊神經(jīng)網(wǎng)絡(luò)的信用評估[J].統(tǒng)計(jì)與決策，2019，35（5）：55-58.

[12] 馮佩，李俁.基于人工神經(jīng)網(wǎng)絡(luò)和粒子群優(yōu)化的半導(dǎo)體激光器參數(shù)反向設(shè)計(jì)方法[J].中國激光，2019，46（7）：9-15.

[13] 李煥玉，李衛(wèi)東，沈鶴軍，等.實(shí)戰(zhàn)情境課程模式對大學(xué)生體育學(xué)習(xí)情境興趣影響的實(shí)驗(yàn)研究[J].成都體育學(xué)院學(xué)報(bào)，2019，45（3）：105-111.

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

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

（收稿日期： 2020.03.04）