基于馬爾可夫模型的運動員體能訓(xùn)練效果評估方法

王華

摘 要：為了提高運動員體能訓(xùn)練效果評估能力，提出基于馬爾可夫模型的運動員體能訓(xùn)練效果評估方法.構(gòu)建運動員體能訓(xùn)練效果評價的實證分析模型，結(jié)合運動員體能訓(xùn)練效果評價的統(tǒng)計分析結(jié)果進行效果評價參數(shù)分析，采用力學參數(shù)分析方法模型，結(jié)合力學參數(shù)和統(tǒng)計分析方法進行運動員體能訓(xùn)練效果評估的約束參數(shù)分析，建立運動員體能訓(xùn)練效果評價參數(shù)的尋優(yōu)模型，建立運動員體能訓(xùn)練爆發(fā)力的慣性力矩分布模型，結(jié)合模糊信息融合特征提取方法，進行運動員體能訓(xùn)練的力學特征分布式重構(gòu)，進行運動員體能訓(xùn)練的效果自適應(yīng)預(yù)測和評估，構(gòu)建運動員體能訓(xùn)練效果評估的解釋變量和控制變量模型，根據(jù)參數(shù)尋優(yōu)結(jié)果進行運動員體能訓(xùn)練效果的優(yōu)化評估，構(gòu)建運動員體能訓(xùn)練效果評估的馬爾可夫模型，根據(jù)馬爾可夫模型的參數(shù)優(yōu)化解析結(jié)果進行訓(xùn)練效果評估優(yōu)化.仿真結(jié)果表明，采用該方法進行運動員體能訓(xùn)練效果評估的準確性較好，評價置信度水平較高.

關(guān)鍵詞：馬爾可夫模型;運動員;體能訓(xùn)練;效果評估

中圖分類號：G846? 文獻標識碼：A? 文章編號：1673-260X（2020）03-0096-04

隨著智能化體育訓(xùn)練技術(shù)的不斷發(fā)展，采用智能數(shù)字化分析和量化分析方法，進行運動員體能訓(xùn)練效果評價，結(jié)合參數(shù)尋優(yōu)和大數(shù)據(jù)分析技術(shù)，構(gòu)建運動員體能訓(xùn)練效果評估的大數(shù)據(jù)分析模型[1]，結(jié)合大數(shù)據(jù)信息融合方法，提高運動員體能訓(xùn)練效果評估的準確性，研究運動員體能訓(xùn)練效果評估模型，在促進運動員體能訓(xùn)練效果的優(yōu)化方面具有重要意義，相關(guān)的運動員體能訓(xùn)練效果評估模型研究受到人們的極大重視.結(jié)合大數(shù)據(jù)信息分析方法，進行運動員體能訓(xùn)練評估，分析運動員體能訓(xùn)練大數(shù)據(jù)分布關(guān)聯(lián)集[2]，結(jié)合融合性特征分析方法，進行運動員體能訓(xùn)練效果評估方法優(yōu)化，本文提出基于馬爾可夫模型的運動員體能訓(xùn)練效果評估方法.構(gòu)建運動員體能訓(xùn)練效果評價的實證分析模型，結(jié)合運動員體能訓(xùn)練效果評價的統(tǒng)計分析結(jié)果進行效果評價參數(shù)分析，構(gòu)建運動員體能訓(xùn)練效果評估的解釋變量和控制變量模型，根據(jù)參數(shù)尋優(yōu)結(jié)果進行運動員體能訓(xùn)練效果的優(yōu)化評估，構(gòu)建運動員體能訓(xùn)練效果評估的馬爾可夫模型，根據(jù)馬爾可夫模型的參數(shù)優(yōu)化解析結(jié)果進行訓(xùn)練效果評估優(yōu)化，最后進行仿真測試分析，得出有效結(jié)論.

1 運動員體能訓(xùn)練效果信息采樣和特征分析

1.1 運動員體能訓(xùn)練效果評估統(tǒng)計信息采樣

為了實現(xiàn)基于馬爾可夫模型的運動員體能訓(xùn)練效果評估模型優(yōu)化設(shè)計，采用大數(shù)據(jù)特征分析方法進行運動員體能訓(xùn)練效果的自適應(yīng)尋優(yōu)，建立運動員體能訓(xùn)練效果評估的自適應(yīng)融合參數(shù)分析模型，采用大數(shù)據(jù)分析和特征調(diào)度的方法進行運動員體能訓(xùn)練效果評估的大數(shù)據(jù)信息采樣，結(jié)合統(tǒng)計信息挖掘方法進行運動員體能訓(xùn)練效果評估[3]，把運動員體能訓(xùn)練效果評估的等級x（0）劃分為N個等級，為x（1），x（2），…，x（N），即x（0）=x（i），采用相似度特征分析方法進行運動員體能訓(xùn)練效果評估的統(tǒng)計分析和優(yōu)化評估，采用多元回歸檢驗分析方法，建立訓(xùn)練效果評估的模糊約束參量分析模型，采用模糊統(tǒng)計分析和量化博弈方法，進行運動員體能訓(xùn)練效果評估的自適應(yīng)學習[4]，建立運動員體能訓(xùn)練效果評估的量化分析模型，得到運動員體能訓(xùn)練效果評估的統(tǒng)計函數(shù)為：

上式表示為運動員體能訓(xùn)練效果評估的自適應(yīng)參數(shù)分布集，采用相關(guān)性融合聚類分析方法，建立運動員體能訓(xùn)練效果評估的標準正態(tài)分布函數(shù)[5]，？棕為運動員體能訓(xùn)練效果評估的統(tǒng)計特征分布的慣性權(quán)重，采用均勻信息融合的方法，進行運動員體能訓(xùn)練效果評估的量化分析，建立運動員體能訓(xùn)練效果評估的約束參量集RN與XN的關(guān)聯(lián)分布關(guān)系為：

結(jié)合自相關(guān)特征匹配方法進行運動員體能訓(xùn)練的融合性處理，提高運動員體能訓(xùn)練效果評估的自適應(yīng)性.

1.2 訓(xùn)練效果評估的信息融合

結(jié)合力學參數(shù)的統(tǒng)計分析和大數(shù)據(jù)采樣的方法，進行運動員體能訓(xùn)練的力學參數(shù)大數(shù)據(jù)融合處理[6]，運動員體能訓(xùn)練效果的描述性統(tǒng)計序列{x（t0+i？駐t）}，i=0，1，…，N-1，運動員體能訓(xùn)練的優(yōu)化特征參數(shù)尋優(yōu)量化集為：

構(gòu)建基于肌體耐力和爆發(fā)力特征聯(lián)合分析的運動員體能訓(xùn)練效果評估模型，并結(jié)合統(tǒng)計數(shù)據(jù)進行和大數(shù)據(jù)采樣的方法[7]，進行運動員體能訓(xùn)練的效果評價參數(shù)分析，建立運動員體能訓(xùn)練效果評估的模糊參量融合模型，構(gòu)建大運動員體能訓(xùn)練效果評估的統(tǒng)計分析模型的表達式為：

令f（si）=（f（x1），f（x2），…，f（xn）），采用力學傳感器，進行運動員體能訓(xùn)練爆發(fā)力物理數(shù)據(jù)采集，得到參數(shù)分布模型為P（ni）={pk|prkj=1，k=1，2，…，m}，進行運動員體能訓(xùn)練效果評估的關(guān)聯(lián)調(diào)度和模糊度特征分析，建立運動員體能訓(xùn)練爆發(fā)力的慣性力矩分布模型，結(jié)合模糊信息融合特征提取方法，進行運動員體能訓(xùn)練的力學特征分布式重構(gòu)，運動員體能訓(xùn)練的力學特征分布如下式：

式中，？姿表示運動員體能訓(xùn)練效果評估的大數(shù)據(jù)模糊度分布因子，為運動員體能訓(xùn)練效果評估的統(tǒng)計特征分量，？棕w為自適應(yīng)加權(quán)系數(shù)，構(gòu)建運動員體能訓(xùn)練效果評估的信息優(yōu)化融合模型，結(jié)合力學參數(shù)分析方法，進行運動員體能訓(xùn)練效果評估優(yōu)化[8].

2 訓(xùn)練效果評估模型優(yōu)化實現(xiàn)

2.1 運動員體能訓(xùn)練效果評估的力學參數(shù)分析

本文提出基于馬爾可夫模型的運動員體能訓(xùn)練效果評估方法.構(gòu)建運動員體能訓(xùn)練效果評價的實證分析模型，進行運動員體能訓(xùn)練效果的評估的參數(shù)分析[9]，得到體能訓(xùn)練效果評估的模糊性調(diào)度函數(shù)為：

式中，Xj（t）為第t次迭代后運動員體能訓(xùn)練效果評估的模糊規(guī)則集，構(gòu)建模糊子空間調(diào)度模型進行運動員體能訓(xùn)練效果評估的輸出穩(wěn)定性控制，給出運動員體能訓(xùn)練效果評估的模糊度函數(shù)為：

上式中，運動員體能訓(xùn)練效果評估的關(guān)聯(lián)規(guī)則分布函數(shù)為Mh，建立運動員體能訓(xùn)練的力學參數(shù)分析模型，得到優(yōu)化的力學分布數(shù)據(jù)集：

其中，運動員體能訓(xùn)練效果評估統(tǒng)計大數(shù)據(jù)集合中含有n個樣本，樣本xi，i=1，2，…，n，結(jié)合馬爾科夫模型，得到運動員體能訓(xùn)練效果評估的量化關(guān)系為：

結(jié)合運動力學特征分析方法，建立運動員體能訓(xùn)練爆發(fā)力的輸出特征方程為：

運動員體能訓(xùn)練效果評估預(yù)測函數(shù)為：

綜上分析，實現(xiàn)運動員體能訓(xùn)練效果優(yōu)化設(shè)計，提高評估的自適應(yīng)性和準確性.

2.2 運動員體能訓(xùn)練效果評估輸出

運動員體能訓(xùn)練爆發(fā)力在支撐坐標系Oxyz中的旋轉(zhuǎn)慣性參數(shù)為（xa，0），各肢體中進行運動員體能訓(xùn)練爆發(fā)力的質(zhì)心Gi（xi，zi），在質(zhì)心Gi（xi，zi）中，進行運動員體能訓(xùn)練爆發(fā)力的特征分解，運動員體能訓(xùn)練力學參數(shù)的模糊計算式為：

其中Newi′=（ei′，1，ei′，2，…，ei′，D），表示運動員體能訓(xùn)練效果評估的分布式調(diào)度集，采用慣性輸出穩(wěn)定性調(diào)節(jié)理論，在運動員體能訓(xùn)練爆發(fā)力作用模式下，用？茲i（i=1，2，…，6）表示運動員體能訓(xùn)練爆發(fā)力的力學穩(wěn)態(tài)控制特征量，從而有：

根據(jù)上述，用M表示下肢質(zhì)量矩陣，用向量G表示運動員體能訓(xùn)練的人體運動力學特征矢量，進行運動員體能訓(xùn)練效果的分段檢驗，檢驗規(guī)則為：

構(gòu)建運動員體能訓(xùn)練效果評估的大數(shù)據(jù)融合聚類分析模型，建立統(tǒng)計分析函數(shù)集，結(jié)合運動員體能訓(xùn)練爆發(fā)力學特征演化分析方法，實現(xiàn)體能訓(xùn)練效果的線性擬合，優(yōu)化的擬合式為：

其中，Xmax，Xmin分別為最大評估閾值和最小閾值.根據(jù)參數(shù)尋優(yōu)結(jié)果進行運動員體能訓(xùn)練效果的優(yōu)化評估，構(gòu)建運動員體能訓(xùn)練效果評估的馬爾可夫模型，根據(jù)馬爾可夫模型的參數(shù)優(yōu)化解析結(jié)果進行訓(xùn)練效果評估優(yōu)化[10].

3 仿真測試分析

為了驗證本文方法在實現(xiàn)運動員體能訓(xùn)練效果中的應(yīng)用性能，進行仿真測試分析，采用SPSS 14.0統(tǒng)計分析軟件進行運動員體能訓(xùn)練效果的約束參數(shù)分析和統(tǒng)計分析，采用力學傳感器進行運動員體能訓(xùn)練效果評估的物理信息采集，體能訓(xùn)練效果評估的統(tǒng)計分析結(jié)果見表1.

根據(jù)表1對運動員體能訓(xùn)練效果評估的描述性統(tǒng)計分析結(jié)果，進行運動員體能訓(xùn)練效果評估，得到運動員體能訓(xùn)練的力學參數(shù)采集結(jié)果如圖1所示.

以圖1的運動員體能訓(xùn)練的力學參數(shù)采集結(jié)果，進行運動員體能訓(xùn)練效果評估，得到評估的優(yōu)化輸出如圖2所示.

分析圖2得知，本文方法進行運動員體能訓(xùn)練效果評估的準確性較高，特征跟蹤性能較好，測試評估的置信度，得到對比結(jié)果如圖3所示，分析圖3得知，本文方法進行運動員體能訓(xùn)練評估的精度較高.

4 結(jié)語

本文提出基于馬爾可夫模型的運動員體能訓(xùn)練效果評估方法.結(jié)合力學參數(shù)的統(tǒng)計分析和大數(shù)據(jù)采樣的方法，進行運動員體能訓(xùn)練的力學參數(shù)大數(shù)據(jù)融合處理，進行運動員體能訓(xùn)練效果評估的關(guān)聯(lián)調(diào)度和模糊度特征分析，建立運動員體能訓(xùn)練爆發(fā)力的慣性力矩分布模型，結(jié)合模糊信息融合特征提取方法，進行運動員體能訓(xùn)練的力學特征分布式重構(gòu)，構(gòu)建運動員體能訓(xùn)練效果評估的解釋變量和控制變量模型，根據(jù)馬爾可夫模型的參數(shù)優(yōu)化解析結(jié)果進行訓(xùn)練效果評估優(yōu)化.分析得知，本文方法進行運動員體能訓(xùn)練效果評估的準確性較好，評價置信度水平較高，有效指導(dǎo)訓(xùn)練效果.

參考文獻：

〔1〕LI C F， ZHU G C， WU X J， et al. False-positive reduction on lung nodules detection in chest radiographs by ensemble of convolutional neural networks[J]. IEEE Access， 2018， 6（99）：16060-16067.

〔2〕胡海旭，劉文武，柳鳴毅.現(xiàn)代夏季奧運會早期運動訓(xùn)練理論與方法形成及特征[J].北京體育大學學報，2016，39（10）：121-127.

〔3〕宋廣俠，吳江濤.刺五加提取物對無氧運動訓(xùn)練效果的影響[J].華僑大學學報（自然科學版），2015，36（05）：558-562.

〔4〕劉甲爽.靈芝多糖對運動員運動訓(xùn)練效果及免疫功能影響研究[J].內(nèi)蒙古師范大學學報（自然科學漢文版），2016，45（01）：71-75.

〔5〕胡洋洋，吳衛(wèi)兵，李家海，陶衛(wèi)軍.新型腰背部運動訓(xùn)練系統(tǒng)及其效果檢測[J].南京理工大學學報，2016，40（06）：734-739.

〔6〕LI W， CAO P， ZHAO D Z， et al. Pulmonary nodule classification with deep convolutional neural networks on computed tomography images[J]. Computational and Mathematical Methods in Medicine， 2016， 2016：6215085.

〔7〕DING J， LI A X， HU Z Q， et al. Accurate pulmonary nodule detection in computed tomography images using deep convolutional neural networks[C]//Proceedings of the 2017 International Conference on Medical Computing and Computer-Assisted Intervention. Berlin：Springer， 2017：559-567.

〔8〕Z ZHANG Chaohua， LI Lianhe，YUN Guohong. Study on moving dislocations in decagonal quasicrystals[J]. Chinese Journal of Solid Mechanics， 2017，38（2）： 165-169.

〔9〕ZHANG Wei，WANG Zhijie. Research on Join Operation of Temporal Big Data in Distributed Environment[J]. Computer Engineering， 2019， 45（3）： 20-25，31.

〔10〕GOLDBERG Y.A primer on neural network models for natural language processing[J].Journal of Artificial Intelligence Research，2016，57（1）：345-420.