CN109670644A - 基于神经网络的预测系统及方法 - Google Patents
基于神经网络的预测系统及方法 Download PDFInfo
- Publication number
- CN109670644A CN109670644A CN201811560511.3A CN201811560511A CN109670644A CN 109670644 A CN109670644 A CN 109670644A CN 201811560511 A CN201811560511 A CN 201811560511A CN 109670644 A CN109670644 A CN 109670644A
- Authority
- CN
- China
- Prior art keywords
- neural network
- data
- prediction
- module
- ball
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开基于神经网络的预测系统,包括信息录入模块、神经网络构建模块、神经网络预测模块、比较模块和显示模块;信息录入模块包括信息采集单元、信息预处理单元、信息存储单元及信息输出单元;神经网络构建模块根据信息输出单元传输的数据进行BP神经网络模型群的构建;神经网络预测模块根据BP神经网络模型群对信息输出单元传输的数据进行篮球运动员控球位置的预测;比较模块对神经网络预测模块输出的预测结果进行比较,得出预测结果的最大值及最大值对应的控球位置;显示模块对信息录入模块所需输入数据及比较模块的输出数据进行显示。本发明还公开基于神经网络的预测方法。本发明可减少选拔过程中人为因素,提高了选拔过程的科学性及客观性。
Description
技术领域
本发明涉及神经网络技术领域,尤其涉及基于神经网络的预测系统及方法。
背景技术
随着竞技体育运动的发展,运动员科学选材成为选拔运动员的重要组成部分,选材的成功就意味着训练成功了一半,正确认识篮球运动员的科学选材,努力促进篮球运动的全面健康发展,既是现实需要又具有重要的理论意义。
现有篮球运动员选拔多为专家评分形式,评分过程中因专家水平不同存在评分标准不一致,选拔过程中存在人为因素较大等弊端。
CN 103160597 A公开了一种预测优秀滑雪运动员弹跳潜能的分子生物学方法,通过同时测定冰雪运动员血液来源基因组DNA中ACTN3基因型R/X多态性和ACE基因型I/D多态性来预测冰雪运动员的弹跳潜能,预测过程中存在的人为因素较大。
发明内容
针对上述不足,本发明设计了一种基于神经网络的预测系统及方法,针对篮球运动员在不同控球位置上的表现进行预测,符合专项运动评价体系的科学性、可测性、相对独立性、客观性及便捷性等原则,并且减少选拔过程中人为因素,提高了选拔过程的科学性以及客观性。
一种基于神经网络的预测系统,包括信息录入模块、神经网络构建模块、神经网络预测模块、比较模块和显示模块;
所述信息录入模块包括信息采集单元、信息预处理单元、信息存储单元及信息输出单元;
所述信息采集单元用于采集篮球运动员的各项数据;
所述信息预处理单元用于将所述各项数据进行归一化处理,使数据转化为[-1,1]之间的数字;
所述信息存储单元用于对所述信息预处理单元归一化处理后的各项数据进行存储;
所述信息输出单元用于将所述信息存储单元中存储的各项数据进行传输;
所述神经网络构建模块用于根据信息输出单元传输的数据进行BP神经网络的构建,得到多个BP神经网络模型,形成BP神经网络模型群;
所述神经网络预测模块用于根据所述BP神经网络模型群对信息输出单元传输的数据进行篮球运动员控球位置的预测;
所述比较模块用于对神经网络预测模块输出的预测结果进行比较,得出预测结果中的最大值及所述最大值对应的控球位置;
所述显示模块用于对信息录入模块所需输入数据及比较模块的输出数据进行显示。
进一步地,所述信息采集单元具体用于采集不同控球位置的篮球运动员及待选篮球运动员的各项数据,信息采集单元设有20个信息采集窗口,所述信息采集窗口用于显示输入的数据的测试项目类型和输入数据的单位。
进一步地,所述神经网络构建模块具体用于:
对神经网络的初始参数进行设置,所述初始参数包括隐藏层节点数;
采用Levenberg-Marquardt方法训练BP神经网络的前向网络;
基于归一化后的不同控球位置的篮球运动员的各项数据和神经网络初始参数进行神经网络的训练,得到多个BP神经网络模型,从而得到BP神经网络模型群。
进一步地,所述BP神经网络模型群由多个相互独立的BP神经网络模型组成,分别作为不同控球位置的预测模型,所述BP神经网络模型均为三层神经网络结构,BP神经网络模型由一层输入层、一层隐藏层和一层输出层组成。
进一步地,所述BP神经网络的隐藏层节点数的计算公式为:
其中,nh为隐藏层节点数,ni为输入层节点数,n0为输出层节点数,L∈[1,100],且L为整数,所述输入层节点数由采集的电梯故障相关数据的维数决定,所述输出层节点数为1。
进一步地,所述BP神经网络的激活函数为:
f(x)=1/(1+e-x/L)。
进一步地,还包括:加权模块;
所述加权模块用于:
对信息存储单元存储的不同控球位置的篮球运动员的各项数据进行K-means聚类,得到不同控球位置的篮球运动员的各项数据的聚类中心点,并将所述聚类中心点作为不同控球位置的篮球运动员的基准特征向量;
将信息输出单元输出的待选篮球运动员的各项数据与不同控球位置的篮球运动员的基准特征向量通过Pearson相关系数进行相似度计算,将Pearson相关系数最大的基准特征向量对应的控球位置作为待选篮球运动员的第一预测控球位置;
若神经网络预测模块的预测结果中的最大值对应的控球位置与第一预测控球位置相同,则不对神经网络预测模块的预测结果中的最大值进行加权;若神经网络预测模块的预测结果中的最大值对应的控球位置与第一预测控球位置不相同,则对第一预测控球位置对应的BP神经网络模型的输出数据进行加权,并将加权后的输出数据作为对应BP神经网络模型的输出数据。
进一步地,所述显示模块包含显示屏,所述显示屏对应的设置输入显示画面和输出显示画面,所述输入显示画面为所述信息录入模块所需数据的接收画面及所述比较模块输出的对比结果及对应控球位置。
基于神经网络的预测方法,包括:
采集篮球运动员的各项数据,将所述各项数据进行归一化处理,使数据转化为[-1,1]之间的数字,对归一化处理后的各项数据进行存储和传输;
根据传输的数据进行BP神经网络的构建,得到多个BP神经网络模型,形成BP神经网络模型群;
根据所述BP神经网络模型群对传输的数据进行篮球运动员控球位置的预测;
对输出的预测结果进行比较,得出预测结果中的最大值及所述最大值对应的控球位置;
对所需输入数据及输出数据进行显示。
与现有技术相比,本发明具有以下有益效果:
本发明利用BP神经网络的学习能力,利用不同控球位置篮球运动员的各项数据进行学习训练,形成BP神经网络模型群,并且利用BP神经网络模型群对待选篮球运动员进行控球位置的预测,输出为多个相对独立的BP神经网络模型的预测输出中的最大值及对应的控球位置,可预测该待选运动员在哪个控球位置成绩较为突出,并且得出评分;提升了运动员选拔效率,实时检测实时得出评分结果;且通过加权模块的第一预测评分的加权,可以提高BP神经网络模型群的预测准确度;减少篮球运动员选拔过程中的人为因素,提高其科学性及客观性。
附图说明
下面结合附图及其具体实例详细说明本发明。
图1为本发明实施例一种基于神经网络的预测系统的结构示意图。
图2为本发明实施例一种基于神经网络的预测系统的BP神经网络模型结构示意图。
图3为本发明实施例一种基于神经网络的预测方法的BP神经网络模型集群训练流程图。
图4为本发明实施例一种基于神经网络的预测方法的BP神经网络模型集群预测流程图。
具体实施方式
实施例1
如图1所示,一种基于神经网络的预测系统,包括信息录入模块101、神经网络构建模块102、神经网络预测模块103、比较模块104和显示模块105;
所述信息录入模块101包括信息采集单元1011、信息预处理单元1012、信息存储单元1013及信息输出单元1014;
所述信息采集单元1011用于采集篮球运动员的各项数据;所述信息采集单元1011具体用于采集不同控球位置的篮球运动员及待选篮球运动员的各项数据,信息采集单元设有20个信息采集窗口,所述信息采集窗口用于显示输入的数据的测试项目类型和输入数据的单位;
具体地,随机选定400名不同控球位置的篮球运动员(同一篮球运动员可在不同控球位置进行各个测试项目的检测)记录基本相关信息(如年龄、身高、体重)并对各个测试项目进行检测,测试项目分为:形态项目、素质项目及技术项目;形态项目分为:身高(cm)、上肢长(cm)、下肢长(cm)、指距/身高(%)、科托莱指数(kg/cm);素质项目分为:爆发力(如助跑摸高(cm)、定点跳远(cm))、灵敏度(如10米滑步(s)、30米跑(s))、耐力(1000米跑(s)、15*17往返跑(s)、深蹲(次/分))、肌肉力量(如1分钟仰卧起坐(次)、40kg卧推(次/分钟))、柔韧性(如坐位体前屈(cm));技术项目分为:投球(如两分钟投球(次),定点投球(次/分))、S形控球躲避(s);将待选篮球运动员进行相应的测试项目检测;组织多名权威专家对不同控球位置的篮球运动员在各测试项目上的表现进行综合评分,并取平均值作为不同控球位置的篮球运动员的综合评分,并将350名不同控球位置的篮球运动员的不同测试项目的测试成绩(输入)及不同控球位置的篮球运动员的综合评分(期望)作为训练数据用来训练BP神经网络模型集群,将50名不同控球位置的篮球运动员的不同测试项目的测试成绩作为测试数据用来验证BP神经网络模型集群的准确性;根据不同控球位置的篮球运动员在球队中所在控球位置不同对训练数据进行分组,共分为:前锋、中锋和后卫三个分组,其中前锋由小前锋和大前锋组成,后卫由得分后卫和控球后卫组成。用于BP神经网络模型训练的训练数据的参数为:身高(cm)、上肢长(cm)、下肢长(cm)、指距/身高(%)、科托莱指数(kg/cm)、定点跳远(cm)、深蹲(次/分)、10米滑步(s)、30米跑(s)、15*17米往返跑(s)、40kg卧推(次/分钟)、坐位体前屈(cm)、两分钟投球(次)、定点投球(次/分)、S形控球躲避(s)共15项。
所述信息预处理单元1012用于将所述各项数据(不同控球位置的篮球运动员及待选篮球运动员的身高、上肢长等15项数据)进行归一化处理,使数据转化为[-1,1]之间的数字;
所述信息存储单元1013用于对所述信息预处理单元1012归一化处理后的各项数据进行存储;
所述信息输出单元1014用于将所述信息存储单元1013中存储的各项数据进行传输;
所述神经网络构建模块102用于根据信息输出单元1014传输的数据进行BP神经网络的构建,得到多个BP神经网络模型,形成BP神经网络模型群;所述BP神经网络模型群由多个相互独立的BP神经网络模型组成,分别作为不同控球位置的预测模型,所述BP神经网络模型均为三层神经网络结构,BP神经网络模型由一层输入层、一层隐藏层和一层输出层组成;具体地,针对前锋、中锋和后卫三个分组分别建立BP神经网络模型,对BP神经网络的初始参数进行设置,所述初始参数包括初始权值、初始阈值、网络结构参数、隐藏层节点数、学习率、最大迭代步长及训练误差;所述隐藏层节点数的计算公式为:
其中,nh为隐藏层节点数,ni为输入层节点数,n0为输出层节点数,L∈[1,100],且L为整数,所述输入层节点数由采集的电梯故障相关数据的维数决定,所述输出层节点数为1;本实施例中,ni、n0分别为15、1,L为9,则nh为5;
BP神经网络的激活函数为:
f(x)=1/(1+e-x/L);
作为一种可实施方式,初始权值和初始阈值均为随机获取的[-1,1]之间较小且有差异的伪随机数,网络结构参数为15-5-1,隐藏层节点数、学习率、最大迭代步长及训练误差分别为:5、0.06、10000、0.001;本实施例的BP神经网络模型结构如图2所示,其中x1、x2、……、x15代表输入数据,1、2、……15代表输入数据的维数,每一维输入数据对应一个输入节点,y1表示输出数据,本实施例中,y1表示BP神经网络模型对应控球位置的预测综合评分;
采用Levenberg-Marquardt方法训练BP神经网络的前向网络;
基于归一化后的不同控球位置的篮球运动员的各项数据和神经网络初始参数进行神经网络的训练,直至达到最大迭代步长或达到训练误差,得到三个BP神经网络模型,分别为前锋BP神经网络模型、中锋BP神经网络模型和后卫BP神经网络模型,从而得到BP神经网络模型群。
所述神经网络预测模块103用于根据所述BP神经网络模型群对信息输出单元1014传输的待选篮球运动员的各项数据(待选篮球运动员的身高、上肢长等15项数据)进行篮球运动员控球位置的预测;
所述比较模块104用于对神经网络预测模块103输出的预测结果进行比较,得出预测结果中的最大值及所述最大值对应的控球位置;
所述显示模块105用于对信息录入模块101所需输入数据及比较模块104的输出数据进行显示。具体地,所述显示模块105包含显示屏,所述显示屏对应的设置输入显示画面和输出显示画面,所述输入显示画面为所述信息录入模块101所需数据的接收画面及所述比较模块输104出的对比结果及对应控球位置。
具体地,还包括:加权模块106;
所述加权模块106用于:
对信息存储单元1013存储的不同控球位置的篮球运动员的各项数据进行K-means聚类,得到不同控球位置的篮球运动员的各项数据的聚类中心点,并将所述聚类中心点作为不同控球位置的篮球运动员的基准特征向量;
将信息输出单元1014输出的待选篮球运动员的各项数据与不同控球位置的篮球运动员的基准特征向量通过Pearson相关系数进行相似度计算,将Pearson相关系数最大的基准特征向量对应的控球位置作为待选篮球运动员的第一预测控球位置;
若神经网络预测模块103的预测结果中的最大值对应的控球位置与第一预测控球位置相同,则不对神经网络预测模块103的预测结果中的最大值进行加权;若神经网络预测模块103的预测结果中的最大值对应的控球位置与第一预测控球位置不相同,则对第一预测控球位置对应的BP神经网络模型的输出数据进行加权,并将加权后的输出数据作为对应BP神经网络模型的输出数据。
本发明利用BP神经网络的学习能力,利用不同控球位置篮球运动员的各项数据进行学习训练,形成BP神经网络模型群,并且利用BP神经网络模型群对待选篮球运动员进行控球位置的预测,输出为多个相对独立的BP神经网络模型的预测输出中的最大值及对应的控球位置,可预测该待选运动员在哪个控球位置成绩较为突出,并且得出评分;提升了运动员选拔效率,实时检测实时得出评分结果;且通过加权模块的第一预测评分的加权,可以提高BP神经网络模型群的预测准确度;减少篮球运动员选拔过程中的人为因素,提高其科学性及客观性。
实施例2
一种基于神经网络的预测方法,包括:BP神经网络模型集群训练、BP神经网络模型集群预测;
如图3所示,BP神经网络模型集群训练,包括:
步骤S201:采集不同控球位置篮球运动员的各项数据;
步骤S202:将所述各项数据进行归一化处理,使数据转化为[-1,1]之间的数字;
步骤S203:对归一化处理后的各项数据进行分类及存储,划分为前锋、中锋和后卫三类数据;
步骤S204:对存储的各项数据进行传输;
步骤S205:根据传输的不同控球位置篮球运动员的各项数据进行BP神经网络的构建,得到三个BP神经网络模型,分别为前锋BP神经网络模型、中锋BP神经网络模型和后卫BP神经网络模型,形成BP神经网络模型群。
如图4所示,BP神经网络模型集群预测,包括:
步骤S301:采集待选拔篮球运动员的各项数据;
步骤S302:将所述各项数据进行归一化处理,使数据转化为[-1,1]之间的数字;
步骤S303:对归一化处理后的待选拔篮球运动员的各项数据进行存储;
步骤S304:对存储的待选拔篮球运动员的各项数据进行传输;
步骤S305:根据BP神经网络模型群对传输的数据进行篮球运动员控球位置的预测。
步骤S306:对输出的预测结果(对应控球位置的预测综合评分)进行比较,得出预测结果中的最大值及所述最大值对应的控球位置。
步骤S307:对所需输入数据及输出数据进行显示。
本发明利用BP神经网络的学习能力,利用不同控球位置篮球运动员的各项数据进行学习训练,形成BP神经网络模型群,并且利用BP神经网络模型群对待选篮球运动员进行控球位置的预测,输出为多个相对独立的BP神经网络模型的预测输出中的最大值及对应的控球位置,可预测该待选运动员在哪个控球位置成绩较为突出,并且得出评分;提升了运动员选拔效率,实时检测实时得出评分结果;减少篮球运动员选拔过程中的人为因素,提高其科学性及客观性。
以上所示仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种基于神经网络的预测系统,其特征在于,包括信息录入模块、神经网络构建模块、神经网络预测模块、比较模块和显示模块;
所述信息录入模块包括信息采集单元、信息预处理单元、信息存储单元及信息输出单元;
所述信息采集单元用于采集篮球运动员的各项数据;
所述信息预处理单元用于将所述各项数据进行归一化处理,使数据转化为[-1,1]之间的数字;
所述信息存储单元用于对所述信息预处理单元归一化处理后的各项数据进行存储;
所述信息输出单元用于将所述信息存储单元中存储的各项数据进行传输;
所述神经网络构建模块用于根据信息输出单元传输的数据进行BP神经网络的构建,得到多个BP神经网络模型,形成BP神经网络模型群;
所述神经网络预测模块用于根据所述BP神经网络模型群对信息输出单元传输的数据进行篮球运动员控球位置的预测;
所述比较模块用于对神经网络预测模块输出的预测结果进行比较,得出预测结果中的最大值及所述最大值对应的控球位置;
所述显示模块用于对信息录入模块所需输入数据及比较模块的输出数据进行显示。
2.根据权利要求1所述的基于神经网络的预测系统,其特征在于,所述信息采集单元具体用于采集不同控球位置的篮球运动员及待选篮球运动员的各项数据,信息采集单元设有20个信息采集窗口,所述信息采集窗口用于显示输入的数据的测试项目类型和输入数据的单位。
3.根据权利要求2所述的基于神经网络的预测系统,其特征在于,所述神经网络构建模块具体用于:
对神经网络的初始参数进行设置,所述初始参数包括隐藏层节点数;
采用Levenberg-Marquardt方法训练BP神经网络的前向网络;
基于归一化后的不同控球位置的篮球运动员的各项数据和神经网络初始参数进行神经网络的训练,得到多个BP神经网络模型,从而得到BP神经网络模型群。
4.根据权利要求1所述的基于神经网络的预测系统,其特征在于,所述BP神经网络模型群由多个相互独立的BP神经网络模型组成,分别作为不同控球位置的预测模型,所述BP神经网络模型均为三层神经网络结构,BP神经网络模型由一层输入层、一层隐藏层和一层输出层组成。
5.要求根据权利要求3所述的基于神经网络的预测系统,其特征在于,所述BP神经网络的隐藏层节点数的计算公式为:
其中,nh为隐藏层节点数,ni为输入层节点数,n0为输出层节点数,L∈[1,100],且L为整数,所述输入层节点数由采集的电梯故障相关数据的维数决定,所述输出层节点数为1。
6.根据权利要求5所述的基于神经网络的预测系统,其特征在于,所述BP神经网络的激活函数为:
f(x)=1/(1+e-x/L)。
7.根据权利要求2所述的基于神经网络的预测系统,其特征在于,还包括:加权模块;
所述加权模块用于:
对信息存储单元存储的不同控球位置的篮球运动员的各项数据进行K-means聚类,得到不同控球位置的篮球运动员的各项数据的聚类中心点,并将所述聚类中心点作为不同控球位置的篮球运动员的基准特征向量;
将信息输出单元输出的待选篮球运动员的各项数据与不同控球位置的篮球运动员的基准特征向量通过Pearson相关系数进行相似度计算,将Pearson相关系数最大的基准特征向量对应的控球位置作为待选篮球运动员的第一预测控球位置;
若神经网络预测模块的预测结果中的最大值对应的控球位置与第一预测控球位置相同,则不对神经网络预测模块的预测结果中的最大值进行加权;若神经网络预测模块的预测结果中的最大值对应的控球位置与第一预测控球位置不相同,则对第一预测控球位置对应的BP神经网络模型的输出数据进行加权,并将加权后的输出数据作为对应BP神经网络模型的输出数据。
8.根据权利要求1所述的基于神经网络的预测系统,其特征在于,所述显示模块包含显示屏,所述显示屏对应的设置输入显示画面和输出显示画面,所述输入显示画面为所述信息录入模块所需数据的接收画面及所述比较模块输出的对比结果及对应控球位置。
9.基于神经网络的预测方法,其特征在于,包括:
采集篮球运动员的各项数据,将所述各项数据进行归一化处理,使数据转化为[-1,1]之间的数字,对归一化处理后的各项数据进行存储和传输;
根据传输的数据进行BP神经网络的构建,得到多个BP神经网络模型,形成BP神经网络模型群;
根据所述BP神经网络模型群对传输的数据进行篮球运动员控球位置的预测;
对输出的预测结果进行比较,得出预测结果中的最大值及所述最大值对应的控球位置;
对所需输入数据及输出数据进行显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811560511.3A CN109670644B (zh) | 2018-12-20 | 2018-12-20 | 基于神经网络的预测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811560511.3A CN109670644B (zh) | 2018-12-20 | 2018-12-20 | 基于神经网络的预测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109670644A true CN109670644A (zh) | 2019-04-23 |
CN109670644B CN109670644B (zh) | 2023-04-25 |
Family
ID=66144566
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811560511.3A Active CN109670644B (zh) | 2018-12-20 | 2018-12-20 | 基于神经网络的预测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109670644B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110175701A (zh) * | 2019-04-29 | 2019-08-27 | 北京六捷科技有限公司 | 一种铁路业务呼叫故障预测方法和装置 |
CN110360091A (zh) * | 2019-06-05 | 2019-10-22 | 合肥通用机械研究院有限公司 | 一种基于神经网络的制冷压缩机测控系统及测控方法 |
CN110841262A (zh) * | 2019-12-06 | 2020-02-28 | 郑州大学体育学院 | 一种基于可穿戴设备的足球训练系统 |
WO2022135697A1 (en) * | 2020-12-22 | 2022-06-30 | Huawei Technologies Co., Ltd. | Devices and methods for localization |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650784A (zh) * | 2016-11-04 | 2017-05-10 | 许继集团有限公司 | 一种基于特征聚类比较的光伏电站功率预测方法及装置 |
CN107451599A (zh) * | 2017-06-28 | 2017-12-08 | 青岛科技大学 | 一种基于机器学习的综合模型的交通行为预测方法 |
CN107577736A (zh) * | 2017-08-25 | 2018-01-12 | 上海斐讯数据通信技术有限公司 | 一种基于bp神经网络的文件推荐方法及系统 |
CN114511132A (zh) * | 2021-12-28 | 2022-05-17 | 上海能源科技发展有限公司 | 一种光伏出力短期预测方法及预测系统 |
-
2018
- 2018-12-20 CN CN201811560511.3A patent/CN109670644B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650784A (zh) * | 2016-11-04 | 2017-05-10 | 许继集团有限公司 | 一种基于特征聚类比较的光伏电站功率预测方法及装置 |
CN107451599A (zh) * | 2017-06-28 | 2017-12-08 | 青岛科技大学 | 一种基于机器学习的综合模型的交通行为预测方法 |
CN107577736A (zh) * | 2017-08-25 | 2018-01-12 | 上海斐讯数据通信技术有限公司 | 一种基于bp神经网络的文件推荐方法及系统 |
CN114511132A (zh) * | 2021-12-28 | 2022-05-17 | 上海能源科技发展有限公司 | 一种光伏出力短期预测方法及预测系统 |
Non-Patent Citations (4)
Title |
---|
徐建华: "CUBA男子球员专项运动素质分位置评价研究", 《山东体育学院学报》 * |
李艳平: "基于运动员身体评价模型的训练系统构建与实现", 《自动化与仪器仪表》 * |
杨廷方等: "基于多方法组合诊断模型的大型变压器故障诊断", 《电力系统自动化》 * |
陈海英等: "短跑能力的神经网络评价方法", 《北京理工大学学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110175701A (zh) * | 2019-04-29 | 2019-08-27 | 北京六捷科技有限公司 | 一种铁路业务呼叫故障预测方法和装置 |
CN110360091A (zh) * | 2019-06-05 | 2019-10-22 | 合肥通用机械研究院有限公司 | 一种基于神经网络的制冷压缩机测控系统及测控方法 |
CN110841262A (zh) * | 2019-12-06 | 2020-02-28 | 郑州大学体育学院 | 一种基于可穿戴设备的足球训练系统 |
WO2022135697A1 (en) * | 2020-12-22 | 2022-06-30 | Huawei Technologies Co., Ltd. | Devices and methods for localization |
Also Published As
Publication number | Publication date |
---|---|
CN109670644B (zh) | 2023-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109670644A (zh) | 基于神经网络的预测系统及方法 | |
Orekondy et al. | Knockoff nets: Stealing functionality of black-box models | |
CN110097185A (zh) | 一种基于生成对抗网络的优化模型方法及应用 | |
JP2021509187A5 (zh) | ||
CN111640483B (zh) | 基于akc模型的健身方案推荐方法 | |
Turner et al. | Peak power, force, and velocity during jump squats in professional rugby players | |
RU2013134980A (ru) | Устройство и способ для анализа свинга в гольфе | |
CN105931271B (zh) | 一种基于变分bp-hmm的人的行为轨迹识别方法 | |
CN107169527A (zh) | 基于协同深度学习的医学图像分类方法 | |
CN111860267B (zh) | 一种基于人体骨骼关节点位的多通道健身运动识别方法 | |
CN110490227A (zh) | 一种基于特征转换的少样本图像分类方法 | |
US20220226695A1 (en) | Systems and methods for workout tracking and classification | |
CN102548470B (zh) | 通过分类分析感知测试数据 | |
CN110222723B (zh) | 一种基于混合模型的足球比赛首发预测方法 | |
CN106453224B (zh) | 基于蚁群分类挖掘过程的网络渗透攻击检测方法 | |
CN108717548B (zh) | 一种面向传感器动态增加的行为识别模型更新方法及系统 | |
KR102369945B1 (ko) | 압력을 이용한 운동 자세 구분 방법 및 장치 | |
CN108211268A (zh) | 基于运动训练数据的运动负荷监测与运动疲劳预警方法和系统 | |
Soriano et al. | Mechanical power production assessment during weightlifting exercises. A systematic review | |
CN105787045A (zh) | 一种用于可视媒体语义索引的精度增强方法 | |
CN115147768A (zh) | 一种跌倒风险评估方法及系统 | |
Frassinelli et al. | An approach to physical performance analysis for Judo | |
Frassinelli et al. | Event-based measurement of power in sport activities by means of distributed wireless sensors | |
Mahajan et al. | Predicting fitness and performance of diving using machine learning algorithms | |
Hao et al. | Research on badminton player’s step training model based on big data and iot networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |