CN117634317A - 基于最佳纵倾的龙舟运动员智能排位方法、装置及系统 - Google Patents
基于最佳纵倾的龙舟运动员智能排位方法、装置及系统 Download PDFInfo
- Publication number
- CN117634317A CN117634317A CN202311813276.7A CN202311813276A CN117634317A CN 117634317 A CN117634317 A CN 117634317A CN 202311813276 A CN202311813276 A CN 202311813276A CN 117634317 A CN117634317 A CN 117634317A
- Authority
- CN
- China
- Prior art keywords
- dragon boat
- athlete
- pitch angle
- prediction model
- dragon
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000005484 gravity Effects 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000010801 machine learning Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000033001 locomotion Effects 0.000 claims description 8
- 230000003993 interaction Effects 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000013526 transfer learning Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims 1
- 238000005457 optimization Methods 0.000 abstract description 2
- 230000037396 body weight Effects 0.000 description 5
- 238000005303 weighing Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000033764 rhythmic process Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001020 rhythmical effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Landscapes
- Toys (AREA)
Abstract
本发明属于船速优化相关技术领域,其公开了一种基于最佳纵倾的龙舟运动员智能排位方法、装置及系统,方法包括:训练阶段:根据机器学习算法构建最佳纵倾区间预测模型和纵倾角‑重心位置预测模型;构建第一样本和第二样本;采用第一样本训练最佳纵倾区间预测模型,并采用第二样本训练纵倾角‑重心位置预测模型;应用阶段:将各龙舟运动员的重量输入训练完成的最佳纵倾区间预测模型获得最佳纵倾角区间;将各龙舟运动员的重量和最佳纵倾角区间输入训练完成的纵倾角‑重心位置预测模型获得最佳纵倾角对应的龙舟运动员平均重心位置,进而获得各龙舟运动员的排位。本申请可以对运动员进行智能排位,使得龙舟划行总阻力最小,提高龙舟速度。
Description
技术领域
本发明属于船速优化相关技术领域,更具体地,涉及一种基于最佳纵倾的龙舟运动员智能排位方法、装置及系统。
背景技术
龙舟运动在世界上有着广泛的开展,竞争非常激烈,为了提高比赛成绩,各国在该项目的科研投人也越来越高,该项目的科研含量也不断提升。龙舟比赛是一项节奏性、技术性较强的速度耐力型运动项目,也是水上运动项目中技术难度较高、要求整体配合的一项运动。随着龙舟运动的进一步普及,龙舟运动技战术水平也有较大的提高。在龙舟比赛中,好的比赛成绩一方面与体能和战术训练有关,另一方面取决于龙舟舟体的水动力学性能。
为了提高龙舟比赛的成绩,大多数训练都是针对于提高运动员的力量体能、配合程度和发力方式。在龙舟的水动力学性能方面,也可以通过减小龙舟划行阻力的方式,提高在比赛中的最终成绩,现有的减阻方式主要集中在船体结构的设计方面,但龙舟运动一般是指定船体,无法实现船体结构的改变,因此亟需设计一种在不改变现有龙舟结构情况下提升速度的方法。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于最佳纵倾的龙舟运动员智能排位方法、装置及系统,可以实现龙舟的最佳纵倾角区间的智能确定,对龙舟运动员进行智能排位,使得龙舟划行总阻力最小,显著提高龙舟速度。
为实现上述目的,按照本发明的一个方面,提供了一种基于最佳纵倾的龙舟运动员智能排位方法,包括:训练阶段S1:根据机器学习算法构建最佳纵倾区间预测模型和纵倾角-重心位置预测模型;同时,构建第一样本和第二样本,其中,所述第一样本包括龙舟运动员总重量、多个龙舟速度,以及多个龙舟速度对应的龙舟纵倾角和龙舟总阻力;所述第二样本包括龙舟运动员总重量、所有龙舟运动员平均重心位置、多个龙舟速度,以及多个龙舟速度对应的龙舟纵倾角和龙舟总阻力;S2:采用所述第一样本训练所述最佳纵倾区间预测模型,并采用第二样本训练所述纵倾角-重心位置预测模型;应用阶段S1’:将各龙舟运动员的重量输入训练完成的最佳纵倾区间预测模型获得最佳纵倾角区间;S2’:将所述各龙舟运动员的重量和最佳纵倾角区间输入训练完成的纵倾角-重心位置预测模型获得最佳纵倾角对应的龙舟运动员平均重心位置,进而基于所述平均重心位置和各龙舟运动员的重量获得各龙舟运动员的排位。
优选的,步骤S2’中所述平均重心位置和各龙舟运动员的重量获得各龙舟运动员的排位具体为:基于各龙舟运动的重心和各龙舟运动员值平均重心位置的距离对龙舟运动员的位置进行排列。
优选的,将所述各龙舟运动的重心作为质心,并将各龙舟运动员至平均重心位置的距离作为力矩,基于质心-力矩算法获得各龙舟运动员的排位。
优选的,步骤S2’还包括固定部分龙舟运动员的位置,基于平均重心位置和剩余龙舟运动员的重量获得各龙舟运动员的排位。
优选的,所述机器学习算法模型为集成学习模型或迁移学习模型。
优选的,所述纵倾角θ为:
其中,dF为龙舟船首的吃水深度,dA为龙舟船尾的吃水深度,L为龙舟的船长。
本申请第二方面提供了一种用于实现上述基于最佳纵倾的龙舟运动员智能排位方法的装置,其特征在于,所述装置包括体重计3、终端4以及设于龙舟上的无线速度传感器1和无线角度传感器2,所述终端4与所述体重计3、速度传感器1和角度传感器2通信连接,所述体重计3用于获取各龙舟运动员的重量,所述速度传感器1用于实时获取龙舟的速度,所述角度传感器2用于实时获取龙舟的纵倾角,所述终端4内集成有所述最佳纵倾区间预测模型和纵倾角-重心位置预测模型。
优选的,所述终端还包括可视化界面,可视化界面包括显示区和交互区,所述显示区用于显示各龙舟运动员的体重、计算的最佳纵倾角、运动员排位,所述交互区用于体重输入、纵倾角输入交互。
本申请第三方面提供了一种用于实现上述基于最佳纵倾的龙舟运动员智能排位方法的系统,所述系统包括:训练阶段模块构建单元:用于根据机器学习算法构建最佳纵倾区间预测模型和纵倾角-重心位置预测模型;同时,构建第一样本和第二样本,其中,所述第一样本包括龙舟运动员总重量、多个龙舟速度,以及多个龙舟速度对应的龙舟纵倾角和龙舟总阻力;所述第二样本包括龙舟运动员总重量、所有龙舟运动员平均重心位置、多个龙舟速度,以及多个龙舟速度对应的龙舟纵倾角和龙舟总阻力;训练单元:用于采用所述第一样本训练所述最佳纵倾区间预测模型,并采用第二样本训练所述纵倾角-重心位置预测模型;应用阶段模块输入单元:用于将各龙舟运动员的重量输入训练完成的最佳纵倾区间预测模型获得最佳纵倾角区间;计算单元:用于将所述各龙舟运动员的重量和最佳纵倾角区间输入训练完成的纵倾角-重心位置预测模型获得最佳纵倾角对应的龙舟运动员平均重心位置,进而基于所述平均重心位置和各龙舟运动员的重量获得各龙舟运动员的排位。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,本发明提供的基于最佳纵倾的龙舟运动员智能排位方法、装置及系统主要具有以下有益效果:
1.本申请可以实现龙舟运动员的智能排位,进而使得龙舟可以在最佳倾角浮态下运行,极大的降低了运动阻力,进一步提高了龙舟速度,提升比赛成绩。
2.自动实现智能化排位,输入内容少,操作简单,方便,便于商业化应用。
附图说明
图1是本申请基于最佳纵倾的龙舟运动员智能排位方法的步骤图;
图2是本申请基于最佳纵倾的龙舟运动员智能排位方法的流程图;
图3是本申请终端的可视化界面示意图;
图4是本申请实施例龙舟的纵倾浮态示意图;
图5是本申请实施例龙舟运动员分布俯视图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
舟划行时受到的阻力受多种因素影响,包括速度、排水量、吃水和纵倾等。当龙舟纵倾角度发生改变,造成舟体水下几何形状、龙舟湿面积、舟体周围流体的流动状态等也发生相应变化,从而导致舟体的粘性阻力、摩擦阻力等发生改变,因此,如果龙舟能够保持良好的划行浮动状态,便可以有效地降低船体划行阻力,从而提高龙舟比赛的成绩。
龙舟划行时,其最快划行速度附近总有一个最佳纵倾浮态,使得龙舟划行总阻力最小。通过调整龙舟运动员的位置,使龙舟处于最佳纵倾浮态,可有效降低龙舟总阻力,进而提高龙舟划行时的速度。
本发明第一方面提供了一种基于最佳纵倾的龙舟运动员智能排位方法,如图1和图2所示,该方法包括训练阶段和应用阶段。
训练阶段包括如下步骤S1和S2。
S1:根据机器学习算法构建最佳纵倾区间预测模型和纵倾角-重心位置预测模型;同时,构建第一样本和第二样本,其中,所述第一样本包括龙舟运动员总重量、多个龙舟速度,以及多个龙舟速度对应的龙舟纵倾角和龙舟总阻力;所述第二样本包括龙舟运动员总重量、所有龙舟运动员平均重心位置、多个龙舟速度,以及多个龙舟速度对应的龙舟纵倾角和龙舟总阻力。
在进一步优选的方案中,该机器学习算法模型选取为集成学习模型或迁移学习模型。
采用机器学习算法取最快划行速度附近的多个速度和多个纵倾角,通过大量的模型实验或数值模拟计算获得对应的龙舟阻力,进而构建第一样本和第二样本。
在进一步优选的方案中,如图4所示,该纵倾角θ为:
其中,dF为龙舟船首的吃水深度,dA为龙舟船尾的吃水深度,L为龙舟的船长。
S2:采用所述第一样本训练所述最佳纵倾区间预测模型,并采用第二样本训练所述纵倾角-重心位置预测模型。
应用阶段包括如下步骤S1’和S2’。
S1’:将各龙舟运动员的重量输入训练完成的最佳纵倾区间预测模型获得最佳纵倾角区间。
S2’:将所述各龙舟运动员的重量和最佳纵倾角区间输入训练完成的纵倾角-重心位置预测模型获得最佳纵倾角对应的龙舟运动员平均重心位置,进而基于所述平均重心位置和各龙舟运动员的重量获得各龙舟运动员的排位。
在进一步优选的方案中,所述平均重心位置和各龙舟运动员的重量获得各龙舟运动员的排位具体为:基于各龙舟运动的重心和各龙舟运动员值平均重心位置的距离对龙舟运动员的位置进行排列。
在进一步优选的方案中,将所述各龙舟运动的重心作为质心,并将各龙舟运动员至平均重心位置的距离作为力矩,基于质心-力矩算法获得各龙舟运动员的排位。具体公式为:
式中:
X——运动员平均重心纵向位置;
Wi——各运动员对应重量;
Xi——各运动员对应重心纵向位置
当部分运动员的位置需要固定时,步骤步骤S2’还包括固定部分龙舟运动员的位置,基于平均重心位置和剩余龙舟运动员的重量获得各龙舟运动员的排位。
本申请第二方面提供了一种用于实现上述基于最佳纵倾的龙舟运动员智能排位方法的装置,所述装置包括体重计3、终端4(如图3所示)以及设于龙舟上的无线速度传感器1和无线角度传感器2,所述终端4与所述体重计3、速度传感器1和角度传感器2通信连接,所述体重计3用于获取各龙舟运动员的重量,所述速度传感器1用于实时获取龙舟的速度,所述角度传感器2用于实时获取龙舟的纵倾角,所述终端4内集成有所述最佳纵倾区间预测模型和纵倾角-重心位置预测模型。
体重计3将各龙舟运动员的体重传输值终端4后,通过最佳纵倾区间预测模型获得龙舟的最佳纵倾角,之后可以在终端4手动输入纵倾角,通过纵倾角-重心位置预测模型获得对应纵倾角下的人员重心位置情况,,同时,软件将对人员不同排位情况的重心位置进行计算,并选取出与目标重心位置差值最小的排位情况,最后输出运动员排位。也可以固定部分运动员位置,固定后运动员位置变换颜色,位置不再变动,仅对其他运动员进行位置排位。
在进一步优选的方案中,所述终端还包括可视化界面,可视化界面包括显示区和交互区,显示区用于显示各龙舟运动员的体重计算的最佳纵倾角、运动员排位。所述交互区用于体重输入、纵倾角输入等交互。
体重输入区可以接受称重仪的数据也可以人为输入。完成运动员姓名和体重输入后,点击计算,最佳纵倾区间预测模型自动完成计算和预测,并输出龙舟总重量和龙舟的最佳纵倾角区间。将最佳纵倾角区间输入终端,点击计算,纵倾角-重心位置预测模型自动完成计算和预测,输出重心位置。进一步计算获取运动员排位,经过排位后可以再次计算纵倾角以做对比。终端还可以显示龙舟的速度和纵倾角,并绘制纵倾角、速度随时间的变化曲线。
在国际标准龙舟比赛中,人数为22人,如图5所示,其中1~20编号的运动员为划手,对称分布于龙舟的左右舷,是龙舟上最多的角色,负责用桨划水使龙舟产生向前的推进力,并保持舟体平衡;Y是位于龙舟首部的鼓手,负责用鼓声调整划龙舟的节奏,使划手的力量更为集中,加快龙舟前进速度;X是位于龙舟尾部的舵手,负责掌控整艘龙舟的方向和速度,确保龙舟在比赛中保持最佳状态,还需要与队员密切配合,掌握整个比赛的节奏和战术。通过调整龙舟运动员的位置,可以调节龙舟的浮态。一般来说,舵手X和鼓手Y的人员和位置是一定的,因此,在输入二人的姓名和体重后将其位置固定,姓名变成红色,对1~20号的划手进行排位。
本申请第三方面提供了一种用于实现上述基于最佳纵倾的龙舟运动员智能排位方法的系统,所述系统包括:
训练阶段模块
构建单元:用于根据机器学习算法构建最佳纵倾区间预测模型和纵倾角-重心位置预测模型;同时,构建第一样本和第二样本,其中,所述第一样本包括龙舟运动员总重量、多个龙舟速度,以及多个龙舟速度对应的龙舟纵倾角和龙舟总阻力;所述第二样本包括龙舟运动员总重量、所有龙舟运动员平均重心位置、多个龙舟速度,以及多个龙舟速度对应的龙舟纵倾角和龙舟总阻力;
训练单元:用于采用所述第一样本训练所述最佳纵倾区间预测模型,并采用第二样本训练所述纵倾角-重心位置预测模型;
应用阶段模块
输入单元:用于将各龙舟运动员的重量输入训练完成的最佳纵倾区间预测模型获得最佳纵倾角区间;
计算单元:用于将所述各龙舟运动员的重量和最佳纵倾角区间输入训练完成的纵倾角-重心位置预测模型获得最佳纵倾角对应的龙舟运动员平均重心位置,进而基于所述平均重心位置和各龙舟运动员的重量获得各龙舟运动员的排位。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于最佳纵倾的龙舟运动员智能排位方法,其特征在于,包括:
训练阶段
S1:根据机器学习算法构建最佳纵倾区间预测模型和纵倾角-重心位置预测模型;同时,构建第一样本和第二样本,其中,所述第一样本包括龙舟运动员总重量、多个龙舟速度,以及多个龙舟速度对应的龙舟纵倾角和龙舟总阻力;所述第二样本包括龙舟运动员总重量、所有龙舟运动员平均重心位置、多个龙舟速度,以及多个龙舟速度对应的龙舟纵倾角和龙舟总阻力;
S2:采用所述第一样本训练所述最佳纵倾区间预测模型,并采用第二样本训练所述纵倾角-重心位置预测模型;
应用阶段
S1’:将各龙舟运动员的重量输入训练完成的最佳纵倾区间预测模型获得最佳纵倾角区间;
S2’:将所述各龙舟运动员的重量和最佳纵倾角区间输入训练完成的纵倾角-重心位置预测模型获得最佳纵倾角对应的龙舟运动员平均重心位置,进而基于所述平均重心位置和各龙舟运动员的重量获得各龙舟运动员的排位。
2.根据权利要求1所述的方法,其特征在于,步骤S2’中所述平均重心位置和各龙舟运动员的重量获得各龙舟运动员的排位具体为:
基于各龙舟运动的重心和各龙舟运动员值平均重心位置的距离对龙舟运动员的位置进行排列。
3.根据权利要求1或2所述的方法,其特征在于,将所述各龙舟运动的重心作为质心,并将各龙舟运动员至平均重心位置的距离作为力矩,基于质心-力矩算法获得各龙舟运动员的排位。
4.根据权利要求1所述的方法,其特征在于,步骤S2’还包括固定部分龙舟运动员的位置,基于平均重心位置和剩余龙舟运动员的重量获得各龙舟运动员的排位。
5.根据权利要求1所述的方法,其特征在于,所述机器学习算法模型为集成学习模型或迁移学习模型。
6.根据权利要求1所述的方法,其特征在于,所述纵倾角θ为:
其中,dF为龙舟船首的吃水深度,dA为龙舟船尾的吃水深度,L为龙舟的船长。
7.一种用于实现权利要求1~6任意一项所述基于最佳纵倾的龙舟运动员智能排位方法的装置,其特征在于,所述装置包括体重计(3)、终端(4)以及设于龙舟上的无线速度传感器(1)和无线角度传感器(2),所述终端(4)与所述体重计(3)、速度传感器(1)和角度传感器(2)通信连接,所述体重计(3)用于获取各龙舟运动员的重量,所述速度传感器(1)用于实时获取龙舟的速度,所述角度传感器(2)用于实时获取龙舟的纵倾角,所述终端(4)内集成有所述最佳纵倾区间预测模型和纵倾角-重心位置预测模型。
8.根据权利要求7所述的装置,其特征在于,所述终端还包括可视化界面,可视化界面包括显示区和交互区,所述显示区用于显示各龙舟运动员的体重、计算的最佳纵倾角、运动员排位,所述交互区用于体重输入、纵倾角输入交互。
9.一种用于实现权利要求1~6任意一项所述基于最佳纵倾的龙舟运动员智能排位方法的系统,其特征在于,所述系统包括:
训练阶段模块
构建单元:用于根据机器学习算法构建最佳纵倾区间预测模型和纵倾角-重心位置预测模型;同时,构建第一样本和第二样本,其中,所述第一样本包括龙舟运动员总重量、多个龙舟速度,以及多个龙舟速度对应的龙舟纵倾角和龙舟总阻力;所述第二样本包括龙舟运动员总重量、所有龙舟运动员平均重心位置、多个龙舟速度,以及多个龙舟速度对应的龙舟纵倾角和龙舟总阻力;
训练单元:用于采用所述第一样本训练所述最佳纵倾区间预测模型,并采用第二样本训练所述纵倾角-重心位置预测模型;
应用阶段模块
输入单元:用于将各龙舟运动员的重量输入训练完成的最佳纵倾区间预测模型获得最佳纵倾角区间;
计算单元:用于将所述各龙舟运动员的重量和最佳纵倾角区间输入训练完成的纵倾角-重心位置预测模型获得最佳纵倾角对应的龙舟运动员平均重心位置,进而基于所述平均重心位置和各龙舟运动员的重量获得各龙舟运动员的排位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311813276.7A CN117634317A (zh) | 2023-12-26 | 2023-12-26 | 基于最佳纵倾的龙舟运动员智能排位方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311813276.7A CN117634317A (zh) | 2023-12-26 | 2023-12-26 | 基于最佳纵倾的龙舟运动员智能排位方法、装置及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117634317A true CN117634317A (zh) | 2024-03-01 |
Family
ID=90035685
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311813276.7A Pending CN117634317A (zh) | 2023-12-26 | 2023-12-26 | 基于最佳纵倾的龙舟运动员智能排位方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117634317A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105224745A (zh) * | 2015-09-30 | 2016-01-06 | 华中科技大学 | 船舶装载性能优化系统 |
CN113469529A (zh) * | 2021-06-30 | 2021-10-01 | 聊城大学 | 一种龙舟运动员数据量化方法、系统及装置 |
CN113743662A (zh) * | 2021-08-31 | 2021-12-03 | 中山大学 | 一种基于机器学习的船舶关键技术参数预测方法及系统 |
US20210383123A1 (en) * | 2020-06-05 | 2021-12-09 | Stats Llc | System and Method for Predicting Formation in Sports |
CN113968315A (zh) * | 2021-12-14 | 2022-01-25 | 中国地质大学(武汉) | 一种基于机器学习的集装箱船纵倾优化方法 |
CN115600311A (zh) * | 2022-09-21 | 2023-01-13 | 上海船舶研究设计院(Cn) | 船舶纵倾优化方法和系统 |
CN115795663A (zh) * | 2022-11-15 | 2023-03-14 | 中国地质大学(武汉) | 一种实际海况下的船舶最佳纵倾航行确定方法 |
-
2023
- 2023-12-26 CN CN202311813276.7A patent/CN117634317A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105224745A (zh) * | 2015-09-30 | 2016-01-06 | 华中科技大学 | 船舶装载性能优化系统 |
US20210383123A1 (en) * | 2020-06-05 | 2021-12-09 | Stats Llc | System and Method for Predicting Formation in Sports |
CN113469529A (zh) * | 2021-06-30 | 2021-10-01 | 聊城大学 | 一种龙舟运动员数据量化方法、系统及装置 |
CN113743662A (zh) * | 2021-08-31 | 2021-12-03 | 中山大学 | 一种基于机器学习的船舶关键技术参数预测方法及系统 |
CN113968315A (zh) * | 2021-12-14 | 2022-01-25 | 中国地质大学(武汉) | 一种基于机器学习的集装箱船纵倾优化方法 |
CN115600311A (zh) * | 2022-09-21 | 2023-01-13 | 上海船舶研究设计院(Cn) | 船舶纵倾优化方法和系统 |
CN115795663A (zh) * | 2022-11-15 | 2023-03-14 | 中国地质大学(武汉) | 一种实际海况下的船舶最佳纵倾航行确定方法 |
Non-Patent Citations (3)
Title |
---|
HENG SHEN: "Water Dragon Boat Training Monitoring System Based on Multisensor Data Fusion Technology", 《HINDAWI JOURNAL OF SENSORS》, 31 December 2021 (2021-12-31), pages 1 - 12 * |
IGNAZIO MARIAVIOLA,等: "Trimeffectontheresistanceofsailingplaninghulls", 《OCEAN ENGINEERING》, 31 December 2014 (2014-12-31), pages 187 - 193 * |
任航飞: "基于CFD的龙舟水动力学性能研究", 《中国优秀硕士学位论文全文数据库》, no. 1, 15 January 2022 (2022-01-15), pages 036 - 66 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Maglischo | Swimming fastest | |
Kleshnev | Biomechanics of Rowing: A unique insight into the technical and tactical aspects of elite rowing | |
Riewald et al. | Science of swimming faster | |
Rauter et al. | Transfer of complex skill learning from virtual to real rowing | |
CN1397904A (zh) | 一种以运动产生的参数作为互动游戏进行操控系统 | |
US10252134B2 (en) | Paddle link—real time paddling performance | |
US5624357A (en) | Kayak simulator machine | |
Mullen | Swimming science: Optimizing training and performance | |
Robinson et al. | The technology of sprint racing canoe and kayak hull and paddle designs | |
Borges et al. | Pacing characteristics of international sprint kayak athletes | |
CN117634317A (zh) | 基于最佳纵倾的龙舟运动员智能排位方法、装置及系统 | |
Thompson | Sculling: Training, technique and performance | |
CN105771219A (zh) | 桨频获取装置及其获取方法 | |
CN2780617Y (zh) | 水上行走板 | |
Bay | Swimming: steps to success | |
CN207286538U (zh) | 一种水阻划船机桨叶 | |
Mullen | Swimming Science: Optimum performance in the water | |
Plyley et al. | Body profile of Olympic-class sailors | |
CN117669259A (zh) | 一种基于浮态的龙舟减阻方法及系统 | |
Boyne | Essential Sculling: An Introduction to Basic Strokes, Equipment, Boat Handling, Technique, and Power | |
CN113808455B (zh) | 舟艇模拟训练方法及系统 | |
CN212541640U (zh) | 舟艇项目模拟训练设备 | |
Churchill | Masters sculling: Technique and training | |
Guzman | The swimming drill book | |
Thompson et al. | Training for the complete rower: A guide to improving performance |
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 |