CN116244512B - 一种基于图结构数据的军事体能训练智能推荐方法 - Google Patents
一种基于图结构数据的军事体能训练智能推荐方法 Download PDFInfo
- Publication number
- CN116244512B CN116244512B CN202310060021.1A CN202310060021A CN116244512B CN 116244512 B CN116244512 B CN 116244512B CN 202310060021 A CN202310060021 A CN 202310060021A CN 116244512 B CN116244512 B CN 116244512B
- Authority
- CN
- China
- Prior art keywords
- training
- plan
- recommendation
- personal
- group
- 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.)
- Active
Links
- 238000012549 training Methods 0.000 title claims abstract description 299
- 238000000547 structure data Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000010586 diagram Methods 0.000 claims abstract description 12
- 238000005516 engineering process Methods 0.000 claims abstract description 10
- 238000002360 preparation method Methods 0.000 claims description 7
- 238000011084 recovery Methods 0.000 claims description 7
- 230000007105 physical stamina Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 description 6
- 230000003203 everyday effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000000750 progressive effect Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- 230000002354 daily effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- 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
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于图结构数据的军事体能训练智能推荐方法,包括以下步骤:获取图结构数据,基于所述图结构数据采用知识图谱技术,获取个人画像和团体画像;基于所述个人画像和所述团体画像构建计划推荐模型,获取个人推荐计划表和团体推荐计划表;基于所述个人推荐计划表和所述团体推荐计划表构建计划扩展模型,获取个人和团体的训练计划和训练处方;根据训练计划的执行结果构建推荐调优模型,迭代优化所述个人和团体的训练计划和训练处方,获得个人和团体推送最优的训练计划和训练处方。本发明能够为参训者提供高效智能的训练方法,帮助其快速提高自身考核成绩,为管理者提供高效智能的管理手段,在智能训练领域具有较高的市场推广价值。
Description
技术领域
本发明属于智能训练领域,尤其涉及一种基于图结构数据的军事体能训练智能推荐方法。
背景技术
由于国内外军事体能训练场景不同,训练人员和训练器材、考试训练科目的组成不相同,在军事体能训练方面的研究点与技术也具有明显差异,军事体能训练智能推荐方法也存在不同。目前的军事体能训练在平时的训练计划制定方面,主要以人工制定训练计划为主,而且制定的训练计划主要针对全员统一的训练计划,无法通过个人和团体训练与考核情况智能推荐生成科学合理的训练计划,也无法根据训练计划的执行情况,不断优化调整训练计划,更无法提供根据难度等级递进的丰富多样的训练计划,无法满足针对性、灵活性、科学性、快捷性等要求。因此,亟需提出一种基于图结构数据的军事体能训练智能推荐方法。
发明内容
本发明的目的在于提出一种基于图结构数据的军事体能训练智能推荐方法,能够为参训者提供高效智能的训练方法,帮助其快速提高自身考核成绩,为管理者提供高效智能的管理手段,在智能训练领域具有较高的市场推广价值。
为实现上述目的,本发明提供了一种基于图结构数据的军事体能训练智能推荐方法,包括以下步骤:
获取图结构数据,基于所述图结构数据采用知识图谱技术,获取个人画像和团体画像;
基于所述个人画像和所述团体画像构建计划推荐模型,获取个人推荐计划和团体推荐计划;
基于所述个人推荐计划和所述团体推荐计划构建计划扩展模型,获取个人和团体的训练计划和训练处方;
根据训练计划的执行结果构建推荐调优模型,迭代优化所述个人和团体的训练计划和训练处方,获得对个人和团体推送最优的训练计划和训练处方。
可选的,所述图结构数据包括考核成绩信息,历史训练计划表、体训标准数据、人员和设备信息。
可选的,基于所述图结构数据采用知识图谱技术,获取个人画像和团体画像的方法包括:
基于所述图结构数据采用知识图谱技术,构建基本训练知识、基本训练方案和特殊训练方案知识库,分析每个学员的身体数据、训练考核数据,获取每个学员的每个特征点的强弱,构成个人画像和团体画像。
可选的,基于所述个人画像和所述团体画像构建计划推荐模型,获取个人推荐计划表和团体推荐计划表的方法包括:
基于所述个人画像和所述团体画像,根据个人和团体的自身特点,获取个人和团体的训练方式;
基于所述个人和团体的训练方式,分别进行军事体能的专项训练和混合训练,推荐获取所述个人训练计划表和所述团体训练计划表。
可选的,所述个人推荐计划表包括:参训单位、计划名称、计划天数、难易等级、计划时长、热身准备科目、主体训练科目、恢复放松科目、适用年龄、适用性别、适用人员、适用部门、名字和期望达标率。
可选的,所述团体推荐计划表包括:参训单位、计划名称、计划天数、难易等级、计划时长、热身准备科目、主体训练科目、恢复放松科目、适用年龄、适用性别、适用人员、适用部门和期望达标率。
可选的,基于所述个人推荐计划表和所述团体推荐计划表构建计划扩展模型,获取个人和团体的训练计划和训练处方的方法包括:
基于所述个人推荐计划表和所述团体推荐计划表,扩展训练计划方案构建计划扩展模型;
基于所述计划扩展模型扩展科目与科目之间,科目内部不同动作的多种组合,获取不同达标率的训练计划;
基于所述不同达标率的训练计划,对每一个训练计划给出对应的所述训练处方,获取新的个人和团队训练计划表。
可选的,根据训练计划的执行结果构建推荐调优模型,迭代所述个人和团体的训练计划和训练处方,获得个人和团体推送最优的训练计划和训练处方的方法包括:
构建推荐调优模型,对所述新的个人和团队训练计划表进行训练,根据个人和团队计划的执行情况、考核结果,跟踪计划的执行情况,并对训练计划中的训练科目和训练动作作为特征进行打标签评分;
基于神经网络算法对所述推荐调优模型中的有标签的训练计划迭代训练,对无标签的训练计划预测得分,最终获取对个人和团体推送最优的训练计划和训练处方。
本发明技术效果:本发明公开了一种基于图结构数据的军事体能训练智能推荐方法,具有较高的商业实用价值,通过利用个人和团体训练与考核等图结构数据,经过算法建模手段,智能推荐生成科学合理的训练计划,根据训练计划的执行情况,不断优化调整训练计划,支持提供根据难度等级递进的丰富多样的训练计划,具有针对性、灵活性、科学性、快捷性等特点,能够为参训者提供高效智能的训练方法,帮助其快速提高自身考核成绩,为管理者提供高效智能的管理手段,在智能训练领域具有较高的市场推广价值。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明实施例基于图结构数据的军事体能训练推荐方法业务流程示意图;
图2为本发明实施例基于图结构数据的军事体能训练推荐方法实现示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
如图1所示,本实施例中提供一种基于图结构数据的军事体能训练智能推荐方法,包括以下步骤:
获取图结构数据,基于所述图结构数据采用知识图谱技术,获取个人画像和团体画像;
基于所述个人画像和所述团体画像构建计划推荐模型,获取个人推荐计划和团体推荐计划;
基于所述个人推荐计划和所述团体推荐计划构建计划扩展模型,获取个人和团体的训练计划和训练处方;
根据训练计划的执行结果构建推荐调优模型,迭代优化所述个人和团体的训练计划和训练处方,获得对个人和团体推送最优的训练计划和训练处方。
设考核科目分为考核科目1、考核科目2、考核科目3……考核科目K,K为考核科目数量,训练科目分为训练科目1、训练科目2、训练科目3……训练科目X,X为训练科目数量,训练器材分为训练器材1、训练器材2、训练器材3……训练器材Q,Q为训练器材数量,训练动作分为训练动作1、训练动作2、训练动作3……训练动作D,D为训练动作数量,考核科目和训练器材之间是多对多关系,考核科目与训练科目之间是多对多关系,训练器材和训练科目之间是一对多关系,训练科目和训练动作之间是一对多关系,不同年龄段、不同性别考核会有不同,团体训练按照年龄、性别的不同进行划分。
设每个考核科目成绩阈值为GradeThrs,s为考核科目编号,1≤s≤GT,GT为考核科目的数量,个人训练中,每个人考核科目数量为PersonKnumi,i为人员编号,1≤i≤PN,PN为个人训练中的人员数量,第i个人在应该参加的考核科目k取得分数为PersonGradeik,k为属于第i个人参加的考核科目编号,1≤k≤PersonKnumi,每个人计划天数为PersonDayLeni,第i个人每天训练时长PersonDayTimeil,1≤l≤PersonDayLeni,团体训练中,每个团体的考核科目数量为GroupKnumj,1≤j≤GK,GK为团体训练中的团体数量,第j个团体在应该参加的考核科目h取得分数为GroupGradejh,h为属于第j个团体参加的考核科目编号,1≤h≤GroupKnumj。
本发明中图结构数据由历史训练计划表、体训标准数据、考核成绩信息、人员和设备信息组成,体训标准数据定义考核科目、训练科目、训练动作、考核成绩等的数据标准,历史训练计划表包括个人训练计划表和团体训练计划表,个人训练计划表包括参训单位、参训人员名字、计划名称、计划天数、难易等级、计划时长、每天训练科目信息、适用年龄、适用性别、适用人员、适用部门、期望达标率,团体训练计划表包括参训单位、参训团体名字、计划名称、计划天数、难易等级、计划时长、每天训练科目信息、适用年龄、适用性别、适用人员、适用部门、期望达标率,考核成绩信息包括个人和团体的考核成绩方面信息,由考核科目、分数、人员等组成,人员和设备信息包括人员和设备的基本情况。个人训练中图结构节点由训练个人、考核科目、针对考核科目的训练科目、训练设备、训练动作组成;团体训练中图结构节点由训练团体、考核科目、针对考核科目的训练科目、训练设备、训练动作组成,体训图数据结构它从数据上来看是点和边的集合,边则由点与点之间进行构造,每个关系都是从一个节点到另一个节点的边。
个人训练计划内容包括:参训单位、计划名称、计划天数、难易等级、计划时长n、Day1..n(热身准备(科目1,科目2…)、主体训练(科目1,科目2…)、恢复放松(科目1,科目2…))、适用年龄、适用性别、适用人员、适用部门、名字、期望达标率。
团体训练计划内容包括:参训单位、计划名称、计划天数、难易等级、计划时长n、Day1..n(热身准备(科目1,科目2…)、主体训练(科目1,科目2…)、恢复放松(科目1,科目2…))、适用年龄、适用性别、适用人员、适用部门、期望达标率。
本发明中智能训练模型包括计划推荐模型、计划扩展模型、推荐调优模型组成,计划推荐模型包括根据训练考核成绩,对个人和团体推荐生成个人训练计划表和团体训练计划表,计划扩展模型对个人和团体的图结构数据进行综合指标评定,生成丰富多样的训练计划和训练处方,推荐调优模型跟踪训练计划的执行效果,不断迭代优化训练计划和训练处方,最后得到对个人和团体推送最优训练计划和训练处方的目的,如图1所示。智能训练算法用于求解智能训练模型,包括计划推荐算法、计划扩展算法、推荐调优算法组成,本发明实施例的军事体能训练智能推荐方法实现示例图如图2所示,具体算法下述分别介绍。
计划推荐算法具体步骤如下:
计划推荐算法包括个人计划推荐算法、团体计划推荐算法两种。
第1步:获取每个团体和个人的考核成绩信息,历史训练计划表、体训标准数据、人员和设备信息,并对数据进行预处理,利用知识图谱技术构建基本训练知识、基本训练方案、特殊训练方案、人员和设备信息等知识库。
第2步:对每个训练人员和训练团队的身体数据、训练考核数据进行全面分析评估,建立能力评估模型,得到每个学员的每个特征点的强弱,形成用户画像和团体画像,进而得到每个团体和每个参训人员对于考核科目、训练科目和训练器材的能力。
第3步:军事体能训练计划包括专项训练和混合训练两类,专项训练是指每天只针对一种考核科目进行训练,混合训练是指每天可针对多种考试科目进行训练。充分利用第1步和第2步得到的数据结果,个人训练模式,设PersonGradeik<GradeThrs时的科目数量为PersonZnumi,k和s对应同一个考核科目,则第i个人PersonZnumi个考核科目就被列为专项训练,专项训练科目个数为PersonZnumi,专项训练天数为PersonZnumi,设混合训练每天允许的训练科目数量为subjectmax,混合训练天数为,专项之间轮转,轮转方法有种,混合训练之间轮转,轮转方法有/>种,这样每个计划就得到种方式,随机选择其中一种作为执行方式,直至出现新的考核成绩重新生成新的训练计划为止。
同理,团体训练模式,设GroupGradejh<GradeThrs时的科目数量为GroupZnumj,h和s对应同一个考核科目,则第j个团体GroupZnumj个考核科目就被列为专项训练,专项训练科目个数为GroupZnumj,专项训练天数为GroupZnumj,混合训练天数为
第4步:在第三步生成的一种训练方式基础上,合格的考核科目也要进行混合训练,个人训练中,混合训练每天的训练科目为
由种执行方式,随机选择其中一种作为执行方式,同理可得团体训练混合训练每天要训练的正常科目的数量,随机选择其中一种作为执行方式,直至出现新的考核成绩重新生成新的训练计划为止。
第5步:个人训练模式,推荐得到每个人计划天数为PersonDayLeni,PersonDayLeni=PersonZnumi+PersonMixtureHnumi,同理可以得到团体训练的计划天数。
第6步:科目分为热身准备阶段、主体训练阶段、恢复放松阶段,热身准备阶段为进行主体训练做动作准备流程,主体训练阶段由该科目动作组成,恢复放松阶段为主体训练完成之后的结束动作流程。利用第1步获得的体训标准数据,根据难易等级把标准动作分配至前第5步得到的个人训练计划和团体训练计划各科目的各阶段,动作难易等级可以对历史动作训练数据进行训练,通过AdaBoost等有监督学习算法得到,对于动作有间隔天数要求的,依据间隔天数从大到小顺序依次插入训练计划中,由此得到很多不同程度的训练计划表,给出该计划的期望达标率, PersonDayTimeil可根据各阶段各科目动作用时得到,团体训练计划同理可以得到团体训练时长,由此可以得到个人训练计划表和团体训练计划表,如表1所示。
表1
计划扩展算法具体步骤如下:
第1步:利用图卷积神经网络算法对计划推荐算法第1步中的人员和设备信息等数据进行节点分类,人员类别可以按照体能分成T个等级,设备类别根据考核科目数量划分K个类别,人员邻接矩阵维度分别为人员数量×人员数量,设备邻接矩阵维度分别为设备数量×设备数量,传递函数定义为:
A表示邻接矩阵,W(l)表示权重矩阵,σ为非线性函数ReLU,l为层数,然后关联计划推荐算法第6步得到的训练计划表,扩展训练计划方案,以推荐不同期望达标率的训练计划。
第2步:利用计划扩展算法第1步得到的分类结果结合基于训练科目的推荐模型,扩展科目与科目之间、科目内部不同动作的各种组合,进一步扩展更多不同达标率的训练计划。基于训练科目的推荐模型具体步骤如下:
A1、个人或团体与训练科目之间的对应关系与利用计划扩展算法第1步得到的分类结果进行连结,得到个人或团体-训练科目数据;
A2、个人或团体-训练科目数据转换成训练科目-个人或团体矩阵;
A3、计算训练科目-个人或团体矩阵中的训练科目之间的相似度,相似度的度量公式为:
其中,Q、Y为对两个训练科目有过训练行为的用户评分集合,n为集合的最大长度值,E[(Q-μQ)(Y-μY)]为对两个训练科目Q、Y之间的协方差,σQσY为对两个训练科目Q、Y之间的标准差,μQ和μY为对训练科目Q、Y的均值;
A4、利用训练科目之间的相似度为个人或团体中没有打分的训练科目打分;
A5、对没有参与训练过的科目进行预测,推荐新的训练计划。
第3步:结合第1步和第2步得到的训练计划,对每个训练计划给出训练处方,得到新的个人和团队训练计划表。
推荐调优算法具体步骤如下:
第1步:利用计划扩展算法第3步得到的个人和团队训练计划表进行训练,根据个人和团队计划的执行情况、考核结果,跟踪计划的执行情况,并对训练计划中的训练科目和训练动作作为特征,打标签评分。
第2步:利用神经网络算法对推荐调优算法第1步中得到的有标签的训练计划进行训练,去预测无标签的训练计划,预测得分。
第3步:根据训练的历史数据不断去推荐更高达标率的计划,不断优化期望达标率,更新达标率数值,让训练达到循序渐进的进步效果,最终推荐适合个人和团体的最优训练计划,包括训练时长,科目的组合,动作的组合达到最优。
本发明公开了一种基于图结构数据的军事体能训练智能推荐方法,具有较高的商业实用价值,通过利用个人和团体训练与考核等图结构数据,经过算法建模手段,智能推荐生成科学合理的训练计划,根据训练计划的执行情况,不断优化调整训练计划,支持提供根据难度等级递进的丰富多样的训练计划,具有针对性、灵活性、科学性、快捷性等特点,能够为参训者提供高效智能的训练方法,帮助其快速提高自身考核成绩,为管理者提供高效智能的管理手段,在智能训练领域具有较高的市场推广价值。
以上所述,仅为本申请较佳的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (7)
1.一种基于图结构数据的军事体能训练智能推荐方法,其特征在于,包括以下步骤:
获取图结构数据,基于所述图结构数据采用知识图谱技术,获取个人画像和团体画像;
基于所述个人画像和所述团体画像构建计划推荐模型,获取个人推荐计划和团体推荐计划;
基于所述个人推荐计划和所述团体推荐计划构建计划扩展模型,获取个人和团体的训练计划和训练处方;基于个人推荐计划表和团体推荐计划表构建计划扩展模型,获取个人和团体的训练计划和训练处方的方法包括:基于所述个人推荐计划表和所述团体推荐计划表,扩展训练计划方案构建计划扩展模型;基于所述计划扩展模型扩展科目与科目之间,科目内部不同动作的多种组合,获取不同达标率的训练计划;基于所述不同达标率的训练计划,对每一个训练计划给出对应的所述训练处方,获取新的个人和团队训练计划表;
根据训练计划的执行结果构建推荐调优模型,迭代优化所述个人和团体的训练计划和训练处方,获得对个人和团体推送最优的训练计划和训练处方。
2.如权利要求1所述的基于图结构数据的军事体能训练智能推荐方法,其特征在于,所述图结构数据包括考核成绩信息,历史训练计划表、体训标准数据、人员和设备信息。
3.如权利要求1所述的基于图结构数据的军事体能训练智能推荐方法,其特征在于,基于所述图结构数据采用知识图谱技术,获取个人画像和团体画像的方法包括:
基于所述图结构数据采用知识图谱技术,构建基本训练知识、基本训练方案和特殊训练方案知识库,分析每个学员的身体数据、训练考核数据,获取每个学员的每个特征点的强弱,构成个人画像和团体画像。
4.如权利要求1所述的基于图结构数据的军事体能训练智能推荐方法,其特征在于,基于所述个人画像和所述团体画像构建计划推荐模型,获取个人推荐计划表和团体推荐计划表的方法包括:
基于所述个人画像和所述团体画像,根据个人和团体的自身特点,获取个人和团体的训练方式;
基于所述个人和团体的训练方式,分别进行军事体能的专项训练和混合训练,推荐获取所述个人训练计划表和所述团体训练计划表。
5.如权利要求4所述的基于图结构数据的军事体能训练智能推荐方法,其特征在于,所述个人推荐计划表包括:参训单位、计划名称、计划天数、难易等级、计划时长、热身准备科目、主体训练科目、恢复放松科目、适用年龄、适用性别、适用人员、适用部门、名字和期望达标率。
6.如权利要求1所述的基于图结构数据的军事体能训练智能推荐方法,其特征在于,所述团体推荐计划表包括:参训单位、计划名称、计划天数、难易等级、计划时长、热身准备科目、主体训练科目、恢复放松科目、适用年龄、适用性别、适用人员、适用部门和期望达标率。
7.如权利要求1所述的基于图结构数据的军事体能训练智能推荐方法,其特征在于,根据训练计划的执行结果构建推荐调优模型,迭代所述个人和团体的训练计划和训练处方,获得个人和团体推送最优的训练计划和训练处方的方法包括:
构建推荐调优模型,对所述新的个人和团队训练计划表进行训练,根据个人和团队计划的执行情况、考核结果,跟踪计划的执行情况,并对训练计划中的训练科目和训练动作作为特征进行打标签评分;
基于神经网络算法对所述推荐调优模型中的有标签的训练计划迭代训练,对无标签的训练计划预测得分,最终获取对个人和团体推送最优的训练计划和训练处方。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310060021.1A CN116244512B (zh) | 2023-01-17 | 2023-01-17 | 一种基于图结构数据的军事体能训练智能推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310060021.1A CN116244512B (zh) | 2023-01-17 | 2023-01-17 | 一种基于图结构数据的军事体能训练智能推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116244512A CN116244512A (zh) | 2023-06-09 |
CN116244512B true CN116244512B (zh) | 2024-02-13 |
Family
ID=86634334
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310060021.1A Active CN116244512B (zh) | 2023-01-17 | 2023-01-17 | 一种基于图结构数据的军事体能训练智能推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116244512B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116843196A (zh) * | 2023-06-26 | 2023-10-03 | 西安速度时空大数据科技有限公司 | 一种应用于军事训练的智能训练方法及系统 |
CN117540828B (zh) * | 2024-01-10 | 2024-06-04 | 中国电子科技集团公司第十五研究所 | 作训科目推荐模型训练方法、装置、电子设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10233651A1 (de) * | 2002-07-24 | 2004-04-08 | Thomas Chrobok | Verfahren und Vorrichtung zur individuellen Trainingsbetreuung |
CN109885595A (zh) * | 2019-01-17 | 2019-06-14 | 平安城市建设科技(深圳)有限公司 | 基于人工智能的课程推荐方法、装置、设备及存储介质 |
CN112184500A (zh) * | 2019-07-03 | 2021-01-05 | 浙江有教信息科技有限公司 | 基于深度学习和知识图谱的课外学习辅导系统及实现方法 |
CN114155931A (zh) * | 2021-11-30 | 2022-03-08 | 心智动科技(深圳)有限公司 | 结合用户训练及数据,智能推荐运动课程方案 |
CN114942944A (zh) * | 2022-04-29 | 2022-08-26 | 阿里巴巴(中国)有限公司 | 培训内容生成与数据处理方法、装置、设备及存储介质 |
CN115203326A (zh) * | 2022-07-11 | 2022-10-18 | 陕西诺维北斗信息科技股份有限公司 | 军事训练计划与军事训练档案的同步方法、装置和系统 |
CN115470339A (zh) * | 2022-07-28 | 2022-12-13 | 北京万方软件有限公司 | 基于科技大数据知识图谱的技术诊断专家智能匹配算法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102737120B (zh) * | 2012-06-01 | 2015-05-27 | 西安交通大学 | 一种个性化网络学习资源推荐方法 |
US11170016B2 (en) * | 2017-07-29 | 2021-11-09 | Splunk Inc. | Navigating hierarchical components based on an expansion recommendation machine learning model |
-
2023
- 2023-01-17 CN CN202310060021.1A patent/CN116244512B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10233651A1 (de) * | 2002-07-24 | 2004-04-08 | Thomas Chrobok | Verfahren und Vorrichtung zur individuellen Trainingsbetreuung |
CN109885595A (zh) * | 2019-01-17 | 2019-06-14 | 平安城市建设科技(深圳)有限公司 | 基于人工智能的课程推荐方法、装置、设备及存储介质 |
CN112184500A (zh) * | 2019-07-03 | 2021-01-05 | 浙江有教信息科技有限公司 | 基于深度学习和知识图谱的课外学习辅导系统及实现方法 |
CN114155931A (zh) * | 2021-11-30 | 2022-03-08 | 心智动科技(深圳)有限公司 | 结合用户训练及数据,智能推荐运动课程方案 |
CN114942944A (zh) * | 2022-04-29 | 2022-08-26 | 阿里巴巴(中国)有限公司 | 培训内容生成与数据处理方法、装置、设备及存储介质 |
CN115203326A (zh) * | 2022-07-11 | 2022-10-18 | 陕西诺维北斗信息科技股份有限公司 | 军事训练计划与军事训练档案的同步方法、装置和系统 |
CN115470339A (zh) * | 2022-07-28 | 2022-12-13 | 北京万方软件有限公司 | 基于科技大数据知识图谱的技术诊断专家智能匹配算法 |
Non-Patent Citations (3)
Title |
---|
Connectionist recommendation in the wild: on the utility and scrutability of neural networks for personalized course guidance;Zachary A. Pardos 等;《 User Modeling and User-Adapted Interaction 》;第29卷;487–525 * |
周杨 ; 金唐 ; 何景周 ; .大学生创新创业训练计划项目实施效果的分析研究.科技视界.2016,(19),49-50. * |
面向慢性病运动干预的智能化健康促进服务系统;赵赫;《中国博士学位论文全文数据库 (信息科技辑)》(第09期);I138-4 * |
Also Published As
Publication number | Publication date |
---|---|
CN116244512A (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116244512B (zh) | 一种基于图结构数据的军事体能训练智能推荐方法 | |
Gest et al. | Identifying children's peer social networks in school classrooms: Links between peer reports and observed interactions | |
Gu et al. | GAN-based model for residential load generation considering typical consumption patterns | |
Nosik et al. | Representation of women in behavior analysis: An empirical analysis. | |
Prakash et al. | Who marries whom? Changing mate selection preferences in urban India and emerging implications on social institutions | |
Ma et al. | Examining the importance of legacy outcomes of major sport events for host city residents’ quality of life | |
CN107133894B (zh) | 基于复杂网络理论的在线学习分组方法 | |
CN106202377A (zh) | 一种基于随机梯度下降的在线协同排序方法 | |
Hafezi et al. | Identification of representative patterns of time use activity through fuzzy C-means clustering | |
Bamberger et al. | Feminist evaluation in the international development context | |
Tang | Research on teaching quality evaluation method of network course based on intelligent learning | |
CN114565152A (zh) | 一种基于模拟退火算法的优化后智能排课方法 | |
CN110188958A (zh) | 一种高考志愿智能填报预测推荐的方法 | |
CN106055875A (zh) | 一种基于大数据的皮纹分析处理装置 | |
Wu et al. | The secrets to successful entrepreneurship: how occupational experience shapes the creation and performance of start-ups | |
Huang et al. | The impact of team knowledge heterogeneity on entrepreneurial opportunity identification: A moderated mediation model | |
Wiggins et al. | Quality Hackathon: Evaluating the Products of Online Co-Production Systems | |
Hafezi | Modeling activity selection and scheduling behavior of population cohorts within an activity-based travel demand model system | |
Mazumdar | Gender issues and educational development: an overview from Asia | |
Kurniawati et al. | Determinants of Labor Mobility with Spatial Approach System Literature Review (SLR) Method in Boyolali City, Indonesia | |
CN108596461A (zh) | 一种用于培训效果评估的智能系统及方法 | |
Crawford et al. | An evaluation of the impact of the Social Mobility Foundation programmes on education outcomes | |
Wang et al. | [Retracted] Investigation and Analysis of the Status Quo of Competitive Aerobics Based on the Big Data of the Internet of Things | |
Jia et al. | Employment Situation Analysis of College Students Based on Hidden Markov Model | |
CN107943931A (zh) | 来访者与咨询师的匹配方法及系统 |
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 |