CN111672082B - 一种基于pca-pnn的游泳运动员训练负荷预测方法 - Google Patents

Abstract

一种基于PCA‑PNN的游泳运动员训练负荷预测方法，Step1：特征指标选取和数据库构建；Step2：主成分分析构建PNN网络输入量；Step3：构建PNN游泳运动员训练负荷预测模型。本发明提供一种基于PCA‑PNN的游泳运动员训练负荷预测方法，该方法通过研究运动员的训练负荷影响融合特征，来构建游泳运动员训练负荷预测模型，以评估一个游泳运动员的训练安排。

Description

一种基于PCA-PNN的游泳运动员训练负荷预测方法

技术领域

本发明属于运动员训练负荷预测方法领域，特别是涉及一种基于PCA-PNN的游泳运动员训练负荷预测方法。

背景技术

在竞技游泳运动中，运动员竞技能力的发展，不仅取决于对运动员选材方法是否科学，更取决于多年训练中的训练方式、方法是否合理，运动负荷安排是否得当。训练是运动员职业生涯中的重要日常内容，运动员通过合理的训练可以提升自身的竞技水平，但是训练量过大会使运动员受伤，训练量过小也不能达到训练效果。同时如果对待不同状态的运动员，采用相同的训练方式和负荷安排，那么训练将起不到应有的作用，甚至如果过量的话，会对技术造成损害，反而使得运动员运动成绩长期下降。训练负荷安排需要根据运动员不同生理条件、环境因素的变化，结合数据挖掘、运动生理学、生物力学等多学科的知识，利用合理的、有效的、更加紧密的方法来使运动员获得对提高专业技术成绩的身体素质。因此，可以说，科学的训练安排是优秀游泳运动员取得优异成绩的关键。

然而，现有针对游泳运动员的训练负荷安排没有完整可靠的框架，没有充分发挥优秀的教练员对普及科学的游泳竞技运动训练的重要作用，因此申请人设计一种基于PCA-PNN的游泳运动员训练负荷预测方法。

发明内容

为了解决以上问题，本发明提供一种基于PCA-PNN的游泳运动员训练负荷预测方法，该方法通过研究运动员的训练负荷影响融合特征，来构建游泳运动员训练负荷预测模型，以评估一个游泳运动员的训练安排，为达此目的，本发明提供一种基于PCA-PNN的游泳运动员训练负荷预测方法，具体步骤如下；

Step1：特征指标选取和数据库构建；

从三个方面去选取负荷预测模型的特征指标，分别是游泳运动员的基本信息数据、训练数据以及生理生化数据，数据源于国家级游泳运动中心的训练分析系统，训练员将运动员的特征信息和训练负荷评价实时上传至MYSQL数据库进行存储，在挑选样本集时，首先需要删减掉无用数据，以训练数据的运动员ID、训练日期为依据，如果MYSQL数据库的其他数据出现缺失项，则放弃这系训练数据，样本集的每一个样本的可以表示为维度为21的特征输入向量，每个特征向量对应的训练负荷的分级，分别为训练量过大，训练量过小，训练量适中；

Step2：主成分分析构建PNN网络输入量；

构建主成分分析法PCA，以消除各指标间的相关性，具体方法为：

Step2.1根据样本集构建原始游泳运动员指标矩阵为X，

其中x_ij为第i个运动员特征样本的第j个指标，m为总样本数量，n为运动员特征数量，n＝21。

Step2.2将数据标准化：首先计算各个运动员特征指标的均值

和标准差

然后计算标准化后的指标矩阵中

每个元素

Step2.3计算各特征指标间的相关系数矩阵R，

其中r_uv为第u个特征指标和第v个特征指标的相关系数，

Step2.4计算相关矩阵R的特征值为λ₁,λ₂,...,λ_n，满足λ_f≥0(f＝1,2,...n)，特征值对应的单位化特征向量记为p₁,p₂,...,p_n，选取前s个主成分作为表征游泳运动员的综合指标，则有第i个运动员特征样本的综合指标向量；

T_is＝(y_i1,y_i2,...,y_is)＝(x_i1,x_i2,...,x_in)[p₁,p₂,...,p_s]，其中y_i1,y_i2,...,y_is第i个运动员特征样本的s个综合指标；

Step3：构建PNN游泳运动员训练负荷预测模型；

所构建的PNN游泳运动员训练负荷预测模型由输入层、隐含层、累加层和输出层构成，输入层接受PCA提取出待预测的运动员特征样本的综合指标向量T_s为输入向量X^*；

隐含层的神经元节点拥有一个中心，该层接收输入层的样本输入，计算输入向量与中心的距离，最后返回一个标量值，神经元个数与输入训练样本个数相同，即为总训练样本数量m，向量X^*输入到隐含层中第i类类型的第j神经元所确定的输入/输出关系表达式为

其中，i＝1,2,3分别表示运动员负荷预测的三个类型，d为样本空间数据的维数，X_ij ^*为第i类样本的第j个中心，σ为平滑因子；

累加层的主要作用是线性求和、加权平均，将隐含层中同一类别的神经元的输出做加权平均，该层神经元数目与样本类型总数相同，神经元的个数为3，每个神经元分别对应一种运动员负荷预测类别，累加层与隐含层神经元建立连接关系的前提条件是两者属于同一类型；

式中，P_h为第h类类别的输出，h＝1,2,3；

输出层由竞争神经元构成，神经元个数与训练样本类型总数相同，神经元的个数为3，每个神经元分别对应一种运动员负荷预测类别，同时也对应累加层神经元节点，用于为累加层的输出做临界值判别，将输出层内具有最大后验概率密度的神经元输出为1，其余输出为0，即可以得到游泳运动员训练负荷预测类型结果。

作为本发明进一步改进，步骤一中游泳运动员的基本信息数据有5个，具体如下分别是身高、体重、年龄、性别和体质指数，其中性别采用实数编码的形式，男性为0，女性为1。

作为本发明进一步改进，步骤一中游泳运动员的训练数据方面有5个，具体如下分别为最大摄氧量，游泳时长，训练项目类型，腿部摆数和手部摆数。

作为本发明进一步改进，步骤一游泳运动员的生理生化数据方面有11个，具体如下分别是血氧饱和度、尿PH值、尿蛋白、尿胆原尿胆素、白细胞数、血红蛋白、血小板、红细胞数、尿素氮、肌酸激酶和睾酮。

本申请一种基于PCA-PNN的游泳运动员训练负荷预测方法，具体优点如下；

(1)采用游泳运动员的基本数据、训练数据、生理数据多特征融合来预测运动员的负荷量等级，分别为训练量过大，训练量过小，训练量适中，方法可以为游泳训练员制定合理科学的训练计划提供重要参考；

(2)PCA提取出游泳运动员的综合指标，可以减去原始指标中的线性相关量的干扰，减少后续PNN预测网络的网络复杂度。

(3)本发明使用PNN算法，预测精度高，没有模型参数需要训练，训练收敛速度快，实时性高，以实现任意的非线性逼近，可以较好的应用于运动员的训练负荷预测。

(4)本发明的PNN隐含层采用径向基函数(Gauss函数)，考虑了不同类别样本之间的相互影响，对异常数据不敏感，针对运动员训练负荷预测的数据来源于专家的主观评价，其中难免有不合理的主观判断，PNN可以有效解决该问题，所建立的模型具有较好的泛化性。

附图说明

附图1是本申请基于PCA-PNN的游泳运动员训练负荷预测方法框架；

附图2是本申请基于综合特征指标的PNN预测网络模型。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述：

本发明提供一种基于PCA-PNN的游泳运动员训练负荷预测方法，该方法通过研究运动员的训练负荷影响融合特征，来构建游泳运动员训练负荷预测模型，以评估一个游泳运动员的训练安排。

作为本发明具体实施例，本申请提供基于PCA-PNN的游泳运动员训练负荷预测方法框架如图1所示，基于综合特征指标的PNN预测网络模型如图2所示。

Step1：特征指标选取和数据库构建；

本发明从三个方面去选取负荷预测模型的特征指标，分别是游泳运动员的基本信息数据、训练数据以及生理生化数据。基本信息数据方面有5个，分别是身高、体重、年龄、性别、体质指数，其中性别采用实数编码的形式，男性为0，女性为1；训练数据方面有5个，分别为最大摄氧量，游泳时长，训练项目类型，腿部摆数，手部摆数；生理生化数据方面有11个，分别是血氧饱和度、尿PH值、尿蛋白、尿胆原尿胆素、白细胞数、血红蛋白、血小板、红细胞数、尿素氮、肌酸激酶和睾酮。数据源于国家级游泳运动中心的训练分析系统，训练员将运动员的特征信息和训练负荷评价实时上传至MYSQL数据库进行存储。在挑选样本集时，首先需要删减掉无用数据，以训练数据的运动员ID、训练日期为依据，如果MYSQL数据库的其他数据出现缺失项，则放弃这系训练数据。样本集的每一个样本的可以表示为维度为21的特征输入向量，每个特征向量对应的训练负荷的分级，分别为训练量过大，训练量过小，训练量适中。

Step2：主成分分析构建PNN网络输入量；

在保证原始数据足够信息量的前提下，对原多维指标变量数据进行降维，可压缩指标个数、简化数据，提取综合指标数据。构建主成分分析法(PCA)，以消除各指标间的相关性。具体方法为：

Step2.1根据样本集构建原始游泳运动员指标矩阵为X，

其中x_ij为第i个运动员特征样本的第j个指标，m为总样本数量，n为运动员特征数量，n＝21。

Step2.2将数据标准化：首先计算各个运动员特征指标的均值

和标准差

然后计算标准化后的指标矩阵中

每个元素

Step2.3计算各特征指标间的相关系数矩阵R，

其中r_uv为第u个特征指标和第v个特征指标的相关系数，

Step2.4计算相关矩阵R的特征值为λ₁,λ₂,...,λ_n，满足λ_f≥0(f＝1,2,...n)，特征值对应的单位化特征向量记为p₁,p₂,...,p_n。选取前s个主成分作为表征游泳运动员的综合指标，则有第i个运动员特征样本的综合指标向量

T_is＝(y_i1,y_i2,...,y_is)＝(x_i1,x_i2,...,x_in)[p₁,p₂,...,p_s]，其中y_i1,y_i2,...,y_is第i个运动员特征样本的s个综合指标。

Step3：构建PNN游泳运动员训练负荷预测模型；

所使用的模型为概率神经网络(PNN)，该算法是一种前向型神经网络，是利用高斯函数作为基函数与Parzen窗法估计得到概率密度分布估计，然后与贝叶斯最小风险准则相结合发展而来的。所构建的PNN游泳运动员训练负荷预测模型由输入层、隐含层、累加层和输出层构成。针对待测的运动员负荷预测样本，输入层接受PCA提取出待预测的运动员特征样本的综合指标向量T_s为输入向量X^*。

隐含层的神经元节点拥有一个中心，该层接收输入层的样本输入，计算输入向量与中心的距离，最后返回一个标量值，神经元个数与输入训练样本个数相同，即为总训练样本数量m。向量X^*输入到隐含层中第i类类型的第j神经元所确定的输入/输出关系表达式为

其中，i＝1,2,3分别表示运动员负荷预测的三个类型，d为样本空间数据的维数，X_ij ^*为第i类训练样本的第j个中心，σ为平滑因子。

累加层的主要作用是线性求和、加权平均。将隐含层中同一类别的神经元的输出做加权平均，该层神经元数目与样本类型总数相同，神经元的个数为3，每个神经元分别对应一种运动员负荷预测类别。累加层与隐含层神经元建立连接关系的前提条件是两者属于同一类型。

式中，P_h为第h类类别的输出，h＝1,2,3。

输出层由竞争神经元构成，神经元个数与训练样本类型总数相同，神经元的个数为3，每个神经元分别对应一种运动员负荷预测类别，同时也对应累加层神经元节点。用于为累加层的输出做临界值判别，将输出层内具有最大后验概率密度的神经元输出为1，其余输出为0，查看1对应的类别即可以得到游泳运动员训练负荷预测类型结果。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。

Claims (1)

1.一种基于PCA-PNN的游泳运动员训练负荷预测方法，具体步骤如下，其特征在于；

Step1：特征指标选取和数据库构建；

从三个方面去选取负荷预测模型的特征指标，分别是游泳运动员的基本信息数据、训练数据以及生理生化数据，数据源于国家级游泳运动中心的训练分析系统，训练员将运动员的特征信息和训练负荷评价实时上传至MYSQL数据库进行存储，在挑选样本集时，首先需要删减掉无用数据，以训练数据的运动员ID、训练日期为依据，如果MYSQL数据库的其他数据出现缺失项，则放弃这系训练数据，样本集的每一个样本的可以表示为维度为21的特征输入向量，每个特征向量对应的训练负荷的分级，分别为训练量过大，训练量过小，训练量适中；游泳运动员的基本信息数据有5个，具体如下分别是身高、体重、年龄、性别和体质指数，其中性别采用实数编码的形式，男性为0，女性为1； 游泳运动员的训练数据方面有5个，具体如下分别为最大摄氧量，游泳时长，训练项目类型，腿部摆数和手部摆数。游泳运动员的生理生化数据方面有11个，具体如下分别是血氧饱和度、尿PH值、尿蛋白、尿胆原尿胆素、白细胞数、血红蛋白、血小板、红细胞数、尿素氮、肌酸激酶和睾酮；

Step2：主成分分析构建PNN网络输入量；

构建主成分分析法PCA，以消除各指标间的相关性，具体方法为：

Step2.1根据样本集构建原始游泳运动员指标矩阵为X，

其中x_ij为第i个运动员特征样本的第j个指标，m为总样本数量，n为运动员特征数量，n＝21。

Step2.2将数据标准化：首先计算各个运动员特征指标的均值

和标准差

然后计算标准化后的指标矩阵中

每个元素

Step2.3计算各特征指标间的相关系数矩阵R，

其中r_uv为第u个特征指标和第v个特征指标的相关系数，

Step2.4计算相关矩阵R的特征值为λ₁,λ₂,…,λ_n，满足λ_f≥0(f＝1,2,…n)，特征值对应的单位化特征向量记为p₁,p₂,…,p_n，选取前s个主成分作为表征游泳运动员的综合指标，则有第i个运动员特征样本的综合指标向量；

T_is＝(y_i1,y_i2,…,y_is)＝(x_i1,x_i2,…,x_in)[p₁,p₂,…,p_s]，其中y_i1,y_i2,…,y_is第i个运动员特征样本的s个综合指标；

Step3：构建PNN游泳运动员训练负荷预测模型；

所构建的PNN游泳运动员训练负荷预测模型由输入层、隐含层、累加层和输出层构成，输入层接受PCA提取出待预测的运动员特征样本的综合指标向量T_s为输入向量X^*；

隐含层的神经元节点拥有一个中心，该层接收输入层的样本输入，计算输入向量与中心的距离，最后返回一个标量值，神经元个数与输入训练样本个数相同，即为总训练样本数量m，向量X^*输入到隐含层中第i类类型的第j神经元所确定的输入/输出关系表达式为

其中，i＝1,2,3分别表示运动员负荷预测的三个类型，d为样本空间数据的维数，X_ij ^*为第i类样本的第j个中心，σ为平滑因子；

累加层的主要作用是线性求和、加权平均，将隐含层中同一类别的神经元的输出做加权平均，该层神经元数目与样本类型总数相同，神经元的个数为3，每个神经元分别对应一种运动员负荷预测类别，累加层与隐含层神经元建立连接关系的前提条件是两者属于同一类型；

式中，P_h为第h类类别的输出，h＝1,2,3；

输出层由竞争神经元构成，神经元个数与训练样本类型总数相同，神经元的个数为3，每个神经元分别对应一种运动员负荷预测类别，同时也对应累加层神经元节点，用于为累加层的输出做临界值判别，将输出层内具有最大后验概率密度的神经元输出为1，其余输出为0，即可以得到游泳运动员训练负荷预测类型结果。

Images