CN117689219A - 一种基于机器学习的体育器材安全性评估系统 - Google Patents
一种基于机器学习的体育器材安全性评估系统 Download PDFInfo
- Publication number
- CN117689219A CN117689219A CN202410157290.4A CN202410157290A CN117689219A CN 117689219 A CN117689219 A CN 117689219A CN 202410157290 A CN202410157290 A CN 202410157290A CN 117689219 A CN117689219 A CN 117689219A
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- data
- fuzzy rule
- rules
- sports equipment
- 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
- 238000010801 machine learning Methods 0.000 title claims abstract description 16
- 238000011156 evaluation Methods 0.000 title claims description 14
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000012502 risk assessment Methods 0.000 claims abstract description 20
- 230000015654 memory Effects 0.000 claims abstract description 18
- 238000007637 random forest analysis Methods 0.000 claims abstract description 14
- 238000012544 monitoring process Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000004927 fusion Effects 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 68
- 238000003066 decision tree Methods 0.000 claims description 44
- 230000002776 aggregation Effects 0.000 claims description 20
- 238000004220 aggregation Methods 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000013213 extrapolation Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 230000001502 supplementing effect Effects 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000001149 cognitive effect Effects 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000007774 longterm Effects 0.000 abstract description 7
- 230000000737 periodic effect Effects 0.000 abstract description 3
- 230000009466 transformation Effects 0.000 abstract description 3
- 238000000844 transformation Methods 0.000 abstract description 3
- 238000005728 strengthening Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 6
- 238000005299 abrasion Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及机器学习领域，具体是指一种基于机器学习的体育器材安全性评估系统，包括数据采集与预处理模块、风险评估模块、实时监测与预警模块、系统管理模块，本方案采用谨慎加权随机森林方法对体育器材的安全性进行学习评估，减少所需投入的时间和人力成本；本方案采取FLSTM方法对体育器材进行监测分析，降低意外事故的发生概率，FLSTM以LSTM为基础，结合模糊预测融合、强化记忆层和参数段共享策略，提高LSTM对长期时间序列预测的准确性和可解释性，参数段共享策略根据数据集以及预测周期和长度的各种变换灵活调整，提高LSTM从数据中提取周期性特征的能力，有效地管理参数的增长。
Description
技术领域
本发明涉及机器学习领域，具体是指一种基于机器学习的体育器材安全性评估系统。
背景技术
体育活动是人们进行身体锻炼、增强体质、培养团队精神的重要方式，在众多的体育活动中，往往离不开各种各样的体育器材，为了确保使用者的生命安全和体育活动的顺利进行，对体育器材的安全性进行全面而精准的评估显得至关重要，现有的体育器材安全性评估大多依赖人工进行，需要投入大量的时间和精力去逐一测试各类器材，导致评估效率低、准确率不高；体育器材在长期使用过程中，由于自然磨损或人为损坏，其安全性发生变化，导致意外事故的发生概率增加，给使用者带来潜在的风险。
发明内容
针对上述情况，本发明提供了一种基于机器学习的体育器材安全性评估系统，针对现有的体育器材安全性评估大多依赖人工进行，需要投入大量的时间和精力去逐一测试各类器材，导致评估效率低、准确率不高的问题，本方案采用谨慎加权随机森林方法对体育器材的安全性进行学习评估，有效提高检测效率和准确度，减少所需投入的时间和人力成本；针对体育器材在长期使用过程中，由于自然磨损或人为损坏，其安全性发生变化，导致意外事故的发生概率增加，给使用者带来潜在的风险的问题，本方案采取FLSTM方法对体育器材进行监测分析，降低意外事故的发生概率，确保使用者的安全。
本发明提供的一种基于机器学习的体育器材安全性评估系统包括数据采集与预处理模块、风险评估模块、实时监测与预警模块、系统管理模块；
所述数据采集与预处理模块通过安装在体育器材上的传感器或物联网设备，收集体育器材当前状态的数据进行清洗和格式化，得到预处理后的数据；
所述风险评估模块从预处理后的数据中提取出反映体育器材安全状况的关键特征，并采用谨慎加权随机森林方法训练，根据体育器材安全状况的关键特征预测体育器材的安全风险，得到安全评估等级，生成风险评估数据；
所述实时监测与预警模块对体育器材进行实时监测，获取预处理后的数据并生成数据集，采用FLSTM方法对数据集进行学习训练，同时，接收来自风险评估模块的风险评估数据，获取关于当前体育器材安全状况的安全评估等级，并设定安全阈值，当发现某个体育器材的安全评估等级超过设定的安全阈值时，自动发出预警；
所述系统管理模块展示体育器材当前状态的数据、风险评估数据，管理人员通过系统管理模块监控整个系统的运行情况，同时，还负责系统的配置、权限管理、日志记录以及故障排查功能，确保系统的稳定运行。
进一步的，在风险评估模块采用谨慎加权随机森林方法进行训练，随机森林由多个决策树聚合组成，将预处理后的数据作为样本数据进行训练，具体包括以下步骤：
步骤S1：信念度和可能性度计算，使用IDM反映认知的不确定性，产生区间值概率估计，区间的大小将根据样本数据的数量增大或减小，对于样本数据的正类，根据给出区间的下界和上界，计算样本数据的信念度和可能性度，所用公式如下：
；
；
其中，为样本数据，代表样本数据的正类，为信念度函数，为正类
发生的概率，为可能性度函数，为森林中决策树的总数，表示第个决策树，表示
决策树在聚合中的权重，为指标函数，指示条件是否成立，和分别表示为属
于正类的概率的下界和上界；
步骤S2：决策树聚合方法，决策树在聚合中的权重实际上反映了对每个区间的支持程度，将决策树聚合方法作为一种广义的投票机制，将决策树中的概率预测和概率区间预测作为点概率投票和概率区间投票，并产生区间值的概率估计，做出不精确的预测，所用公式如下：
；
；
其中，为决策树对的预测结果所对应的概率区间，为的支持
程度；
步骤S3:区间优势决策，使用区间优势决策规则进行决策，所用公式如下：
；
其中，为区间优势决策函数；
步骤S4：学习决策树权重，使用谨慎准则自动学习决策树在聚合中的权重，对决策树的集成性能进行优化；
进一步的，在步骤S4中，使用谨慎准则自动学习决策树在聚合中的权重，具体包括以下步骤：
步骤S41：定义函数，对决策树在聚合中的权重参数进行定义，所用公式如下：
；
；
；
其中，为待确定的权重向量，和都是的指示向量，分别在计算信念度
和可能性度时使用；
对信念度和可能性度的计算进行简化，所用公式如下：
；
；
步骤S42：优化准则，根据决策树中的对数损失定义一个优化准则，并引入一个类似的代价函数，所用公式如下：
；
；
；
；
其中，表示与权重向量相关的成本函数，为样本数据数量，为正则化
参数，为自然数，为第个样本数据的真实标签，为样本数据的负类信念度，表示
以下约束必须满足，为权重向量的L2范数，的取值范围为；
步骤S43：不确定预测的成本函数优化，不确定预测的成本应低于确定的错误预测的成本，所用公式如下：
；
其中，为Heaviside函数，为不确定性参数；
由于Heaviside函数既非连续也非可微，使用sigmoid函数作为近似值计算，所用公式如下：
；
其中，为sigmoid函数，为正实数参数；
步骤S44：上界最小化，sigmoid函数是非凸的，使上界最小化，避免成
本函数陷入局部最小值，所用公式如下：
；
；
；
得到的上界范围。
进一步的，在实时监测与预警模块，采用FLSTM方法对数据集进行学习训练，具体包括以下步骤：
步骤P1：提取模糊规则，将数据集分为训练集和测试集数据，对训练集的数据采用时间序列方法进行标记，并使用WM方法提取模糊规则，获取模糊规则组，构造数据生成模糊规则库；
步骤P2：简化冗余规则和冲突规则，并生成新的模糊规则；
步骤P3：补充新的模糊规则，并生成模糊规则库，使用外推规则将数据生成模糊规则库外推到未覆盖的区域，补充数据生成模糊规则库以覆盖整个区域，生成模糊规则库；
步骤P4：基于模糊规则库生成模糊预测模型，将测试集中的每个特征模糊化为一个模糊集合，得到模糊规则的前提，从模糊规则库中找到与前提相匹配的模糊规则，并进行预测；
步骤P5：模糊预测融合，将模糊预测模型嵌入到LSTM模型中，以模糊规则库中的模糊规则的形式提取训练集数据的最新信息和历史信息之间的推理关系，将LSTM模型中的输入门、遗忘门和输出门与模糊预测相结合产生新的输出，所用公式如下：
；
；
；
其中，表示模糊预测函数，、、分别为LSTM模型的输入门、遗忘门、输出门，
、、分别是输入门、遗忘门、输出门与模糊预测相结合的函数，表示时间步长，表示
输入状态，为隐藏状态，和分别表示和的输入状态和隐藏状态，为模糊预测
模型在时间步长的输出，、、为的权值矩阵，、、为的权值矩阵，、、为的权值矩阵，表示sigmoid函数，、、表示常数偏置；
步骤P6：强化记忆层，使用强化记忆层增强LSTM模型的长期记忆，在强化记忆层中，电流输出和单元状态被组合成一个新的单元，利用卷积和tanh函数提取更有效的特征，形成新的记忆单元，将当前单元状态和新的单元状态相加生成输出，所用公式如下：
；
；
；
其中，表示当前的单元状态和新的单元状态结合成的新单元的输出，表示
当前的单元状态，为卷积操作，表示通过卷积和函数提取的有效特
征形成的新的记忆单元，为强化记忆层的输出；
步骤P7：参数段共享策略，使用参数段共享策略获取待预测的测试集数据的长度，共享参数的个数，构造不同的输出层进行预测，不同的输出层捕获不同时间段的时间特征，输出层预测结果用公式表示，所用公式如下：
；
；
其中，为预测结果，为权重矩阵，为偏差，为输出层个数，为待预测的测
试集数据的长度，为共享参数的个数；
进一步的，在步骤P2中，简化冗余规则和冲突规则，并生成新的模糊规则，具体包括以下内容：
简化冗余规则：在数据生成模糊规则库中找出具有相同前提和结果的模糊规则组，然后只保留其中一个模糊规则并从模糊规则库中删除其他模糊规则组，前提和结果分别指模糊规则的条件部分和模糊规则的结果部分；
简化冲突规则：在数据生成模糊规则库中找出具有相同前提但不同结果的模糊规则组，然后整合模糊规则组中所有模糊规则的信息生成一个新的模糊规则，从模糊规则库中删除这个产生冲突的模糊规则组并将新的模糊规则添加到模糊规则库中；
进一步的，在步骤P3中，补充新的模糊规则，并生成模糊规则库，具体包括以下步骤：
步骤P31：对于未出现在数据生成模糊规则库中的每个前提组合，找出仅在个前
提下与该前提组合不同的新的模糊规则的集合，称为组，确定第一个非空的组，即组；
步骤P32：对于组中的所有模糊规则进行计算，用公式如下：
；
其中，是中模糊规则的个数，是组中第个模糊规则结果的模糊集的中心
值；
步骤P33：使用隶属度函数找到使得取得隶属度最高的模糊集合，根据前提生成
外推规则，重复步骤P31至步骤P33，直到构建所有的外推规则，将外推规则与数据生成模糊
规则相结合，得到模糊规则库。
采用上述方案本发明取得的有益效果如下：
针对现有的体育器材安全性评估大多依赖人工进行，需要投入大量的时间和精力去逐一测试各类器材，导致评估效率低、准确率不高的问题，本方案采用谨慎加权随机森林方法对体育器材的安全性进行学习评估，有效提高检测效率和准确度，减少所需投入的时间和人力成本；
针对体育器材在长期使用过程中，由于自然磨损或人为损坏，其安全性发生变化，导致意外事故的发生概率增加，给使用者带来潜在的风险的问题，本方案采取FLSTM方法对体育器材进行监测分析，降低意外事故的发生概率，确保使用者的安全，FLSTM以LSTM模型为基础，结合模糊预测融合、强化记忆层和参数段共享策略，提高LSTM模型对长期时间序列预测的准确性和可解释性，参数段共享策略根据数据集以及预测周期和长度的各种变换灵活调整，提高LSTM模型从数据中提取周期性特征的能力，有效地管理参数的增长。
附图说明
图1为本发明提供的一种基于机器学习的体育器材安全性评估系统示意图；
图2为谨慎加权随机森林方法流程示意图；
图3为步骤S4的流程示意图；
图4为FLSTM方法的流程示意图；
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
实施例一，参阅图1，本发明提供的一种基于机器学习的体育器材安全性评估系统包括数据采集与预处理模块、风险评估模块、实时监测与预警模块、系统管理模块；
所述数据采集与预处理模块通过安装在体育器材上的传感器或物联网设备，收集体育器材当前状态的数据进行清洗和格式化，得到预处理后的数据；
所述风险评估模块从预处理后的数据中提取出反映体育器材安全状况的关键特征，并采用谨慎加权随机森林方法训练，根据体育器材安全状况的关键特征预测体育器材的安全风险，得到安全评估等级，生成风险评估数据；
所述实时监测与预警模块对体育器材进行实时监测，获取预处理后的数据并生成数据集，采用FLSTM方法对数据集进行学习训练，同时，接收来自风险评估模块的风险评估数据，获取关于当前体育器材安全状况的安全评估等级，并设定安全阈值，当发现某个体育器材的安全评估等级超过设定的安全阈值时，自动发出预警；
所述系统管理模块展示体育器材当前状态的数据、风险评估数据，管理人员通过系统管理模块监控整个系统的运行情况，同时，还负责系统的配置、权限管理、日志记录以及故障排查功能，确保系统的稳定运行。
实施例二，参阅图1和图2，该实施例基于上述实施例，在风险评估模块采用谨慎加权随机森林方法进行训练，随机森林由多个决策树聚合组成，将预处理后的数据作为样本数据进行训练，具体包括以下步骤：
步骤S1：信念度和可能性度计算，使用IDM反映认知的不确定性，产生区间值概率估计，区间的大小将根据样本数据的数量增大或减小，对于样本数据的正类，根据给出区间的下界和上界，计算样本数据的信念度和可能性度，所用公式如下：
；
；
其中，为样本数据，代表样本数据的正类，为信念度函数，为正类
发生的概率，为可能性度函数，为森林中决策树的总数，表示第个决策树，表示
决策树在聚合中的权重，为指标函数，指示条件是否成立，和分别表示为属
于正类的概率的下界和上界；
步骤S2：决策树聚合方法，决策树在聚合中的权重实际上反映了对每个区间的支持程度，将决策树聚合方法作为一种广义的投票机制，将决策树中的概率预测和概率区间预测作为点概率投票和概率区间投票，并产生区间值的概率估计，做出不精确的预测，所用公式如下：
；
；
其中，为决策树对的预测结果所对应的概率区间，为的支持
程度；
步骤S3:区间优势决策，使用区间优势决策规则进行决策，所用公式如下：
；
其中，为区间优势决策函数；
步骤S4：学习决策树权重，使用谨慎准则自动学习决策树在聚合中的权重，对决策树的集成性能进行优化。
实施例三，参阅图2和图3，该实施例基于上述实施例，在步骤S4中，使用谨慎准则自动学习决策树在聚合中的权重，具体包括以下步骤：
步骤S41：定义函数，对决策树在聚合中的权重参数进行定义，所用公式如下：
；
；
；
其中，为待确定的权重向量，和都是的指示向量，分别在计算信念度
和可能性度时使用；
对信念度和可能性度的计算进行简化，所用公式如下：
；
；
步骤S42：优化准则，根据决策树中的对数损失定义一个优化准则，并引入一个类似的代价函数，所用公式如下：
；
；
；
；
其中，表示与权重向量相关的成本函数，为样本数据数量，为正则化
参数，为自然数，为第个样本数据的真实标签，为样本数据的负类信念度，表示
以下约束必须满足，为权重向量的L2范数，的取值范围为；
步骤S43：不确定预测的成本函数优化，不确定预测的成本应低于确定的错误预测的成本，所用公式如下：
；
其中，为Heaviside函数，为不确定性参数；
由于Heaviside函数既非连续也非可微，使用sigmoid函数作为近似值计算，所用公式如下：
；
其中，为sigmoid函数，为正实数参数；
步骤S44：上界最小化，sigmoid函数是非凸的，使上界最小化，避免成
本函数陷入局部最小值，所用公式如下：
；
；
；
得到的上界范围。
针对现有的体育器材安全性评估大多依赖人工进行，需要投入大量的时间和精力去逐一测试各类器材，导致评估效率低、准确率不高的问题，本方案采用谨慎加权随机森林方法对体育器材的安全性进行学习评估，有效提高检测效率和准确度，减少所需投入的时间和人力成本。
实施例四，参阅图1和图4，该实施例基于上述实施例，在实时监测与预警模块，采用FLSTM方法对数据集进行学习训练，具体包括以下步骤：
步骤P1：提取模糊规则，将数据集分为训练集和测试集数据，对训练集的数据采用时间序列方法进行标记，并使用WM方法提取模糊规则，获取模糊规则组，构造数据生成模糊规则库；
步骤P2：简化冗余规则和冲突规则，并生成新的模糊规则；
步骤P3：补充新的模糊规则，并生成模糊规则库，使用外推规则将数据生成模糊规则库外推到未覆盖的区域，补充数据生成模糊规则库以覆盖整个区域，生成模糊规则库；
步骤P4：基于模糊规则库生成模糊预测模型，将测试集中的每个特征模糊化为一个模糊集合，得到模糊规则的前提，从模糊规则库中找到与前提相匹配的模糊规则，并进行预测；
步骤P5：模糊预测融合，将模糊预测模型嵌入到LSTM模型中，以模糊规则库中的模糊规则的形式提取训练集数据的最新信息和历史信息之间的推理关系，将LSTM模型中的输入门、遗忘门和输出门与模糊预测相结合产生新的输出，所用公式如下：
；
；
；
其中，表示模糊预测函数，、、分别为LSTM模型的输入门、遗忘门、输出门，
、、分别是输入门、遗忘门、输出门与模糊预测相结合的函数，表示时间步长，表示
输入状态，为隐藏状态，和分别表示和的输入状态和隐藏状态，为模糊预测
模型在时间步长的输出，、、为的权值矩阵，、、为的权值矩阵，、、为的权值矩阵，表示sigmoid函数，、、表示常数偏置；
步骤P6：强化记忆层，使用强化记忆层增强LSTM模型的长期记忆，在强化记忆层中，电流输出和单元状态被组合成一个新的单元，利用卷积和tanh函数提取更有效的特征，形成新的记忆单元，将当前单元状态和新的单元状态相加生成输出，所用公式如下：
；
；
；
其中，表示当前的单元状态和新的单元状态结合成的新单元的输出，表示
当前的单元状态，为卷积操作，表示通过卷积和函数提取的有效特
征形成的新的记忆单元，为强化记忆层的输出；
步骤P7：参数段共享策略，使用参数段共享策略获取待预测的测试集数据的长度，共享参数的个数，构造不同的输出层进行预测，不同的输出层捕获不同时间段的时间特征，输出层预测结果用公式表示，所用公式如下：
；
；
其中，为预测结果，为权重矩阵，为偏差，为输出层个数，为待预测的测
试集数据的长度，为共享参数的个数；
在步骤P2中，简化冗余规则和冲突规则，并生成新的模糊规则，具体包括以下内容：
简化冗余规则：在数据生成模糊规则库中找出具有相同前提和结果的模糊规则组，然后只保留其中一个模糊规则并从模糊规则库中删除其他模糊规则组，前提和结果分别指模糊规则的条件部分和模糊规则的结果部分；
简化冲突规则：在数据生成模糊规则库中找出具有相同前提但不同结果的模糊规则组，然后整合模糊规则组中所有模糊规则的信息生成一个新的模糊规则，从模糊规则库中删除该模糊规则组并将新的模糊规则添加到模糊规则库中；
在步骤P3中，补充新的模糊规则，并生成模糊规则库，具体包括以下步骤：
步骤P31：对于未出现在数据生成模糊规则库中的每个前提组合，找出仅在个前
提下与该前提组合不同的新的模糊规则的集合，称为组，确定第一个非空的组，即组；
步骤P32：对于组中的所有模糊规则进行计算，用公式如下：
；
其中，是中模糊规则的个数，是组中第个模糊规则结果的模糊集的中心
值；
步骤P33：使用隶属度函数找到使得取得隶属度最高的模糊集合，根据前提生成
外推规则，重复步骤P31至步骤P33，直到构建所有的外推规则，将外推规则与数据生成模糊
规则相结合，得到模糊规则库。
针对体育器材在长期使用过程中，由于自然磨损或人为损坏，其安全性发生变化，导致意外事故的发生概率增加，给使用者带来潜在的风险的问题，本方案采取FLSTM方法对体育器材进行监测分析，降低意外事故的发生概率，确保使用者的安全，FLSTM以LSTM模型为基础，结合模糊预测融合、强化记忆层和参数段共享策略，提高LSTM模型对长期时间序列预测的准确性和可解释性，参数段共享策略根据数据集以及预测周期和长度的各种变换灵活调整，提高LSTM模型从数据中提取周期性特征的能力，有效地管理参数的增长。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
以上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。
Claims (6)
1.一种基于机器学习的体育器材安全性评估系统，其特征在于：包括数据采集与预处理模块、风险评估模块、实时监测与预警模块、系统管理模块；
所述数据采集与预处理模块通过安装在体育器材上的传感器或物联网设备，收集体育器材当前状态的数据进行清洗和格式化，得到预处理后的数据；
所述风险评估模块从预处理后的数据中提取出反映体育器材安全状况的关键特征，并采用谨慎加权随机森林方法训练，根据体育器材安全状况的关键特征预测体育器材的安全风险，得到安全评估等级，生成风险评估数据；
所述实时监测与预警模块对体育器材进行实时监测，获取预处理后的数据并生成数据集，采用FLSTM方法对数据集进行学习训练，同时，接收来自风险评估模块的风险评估数据，获取关于当前体育器材安全状况的安全评估等级，并设定安全阈值，当发现某个体育器材的安全评估等级超过设定的安全阈值时，自动发出预警；
所述系统管理模块展示体育器材当前状态的数据、风险评估数据，管理人员通过系统管理模块监控整个系统的运行情况，同时，还负责系统的配置、权限管理、日志记录以及故障排查功能，确保系统的稳定运行。
2.根据权利要求1所述的一种基于机器学习的体育器材安全性评估系统，其特征在于：在风险评估模块采用谨慎加权随机森林方法进行训练，随机森林由多个决策树聚合组成，将预处理后的数据作为样本数据进行训练，具体包括以下步骤：
步骤S1：信念度和可能性度计算，使用IDM反映认知的不确定性，产生区间值概率估计，区间的大小将根据样本数据的数量增大或减小，对于样本数据的正类，根据给出区间的下界和上界，计算样本数据的信念度和可能性度，所用公式如下：
；
；
其中，为样本数据，/>代表样本数据的正类，/>为信念度函数，/>为正类/>发生的概率，/>为可能性度函数，/>为森林中决策树的总数，/>表示第/>个决策树，/>表示决策树/>在聚合中的权重，/>为指标函数，指示条件是否成立，/>和/>分别表示为/>属于正类的概率的下界和上界；
步骤S2：决策树聚合方法，决策树在聚合中的权重实际上反映了对每个区间的支持程度，将决策树聚合方法作为一种广义的投票机制，将决策树中的概率预测和概率区间预测作为点概率投票和概率区间投票，并产生区间值的概率估计，做出不精确的预测，所用公式如下：
；
；
其中，为决策树/>对/>的预测结果所对应的概率区间，/>为/>的支持程度；
步骤S3:区间优势决策，使用区间优势决策规则进行决策，所用公式如下：
；
其中，为区间优势决策函数；
步骤S4：学习决策树权重，使用谨慎准则自动学习决策树在聚合中的权重，对决策树的集成性能进行优化。
3.根据权利要求2所述的一种基于机器学习的体育器材安全性评估系统，其特征在于：在步骤S4中，使用谨慎准则自动学习决策树在聚合中的权重，具体包括以下步骤：
步骤S41：定义函数，对决策树在聚合中的权重参数进行定义，所用公式如下：
；
；
；
其中，为待确定的权重向量，/>和/>都是/>的指示向量，分别在计算信念度和可能性度时使用；
对信念度和可能性度的计算进行简化，所用公式如下：
；
；
步骤S42：优化准则，根据决策树中的对数损失定义一个优化准则，并引入一个类似的代价函数，所用公式如下：
；
；
；
；
其中，表示与权重向量/>相关的成本函数，/>为样本数据数量，/>为正则化参数，/>为自然数，/>为第/>个样本数据的真实标签，/>为样本数据的负类信念度，/>表示以下约束必须满足，/>为权重向量/>的L2范数，/>的取值范围为/>；
步骤S43：不确定预测的成本函数优化，不确定预测的成本应低于确定的错误预测的成本，所用公式如下：
；
其中，为Heaviside函数，/>为不确定性参数；
由于Heaviside函数既非连续也非可微，使用sigmoid函数作为近似值计算，所用公式如下：
；
其中，为sigmoid函数，/>为正实数参数；
步骤S44：上界最小化，sigmoid函数是非凸的，使/>上界最小化，避免成本函数陷入局部最小值，所用公式如下：
；
；
；
得到的上界范围。
4.根据权利要求1所述的一种基于机器学习的体育器材安全性评估系统，其特征在于：在实时监测与预警模块，采用FLSTM方法对数据集进行学习训练，具体包括以下步骤：
步骤P1：提取模糊规则，将数据集分为训练集和测试集数据，对训练集的数据采用时间序列方法进行标记，并使用WM方法提取模糊规则，获取模糊规则组，构造数据生成模糊规则库；
步骤P2：简化冗余规则和冲突规则，并生成新的模糊规则；
步骤P3：补充新的模糊规则，并生成模糊规则库，使用外推规则将数据生成模糊规则库外推到未覆盖的区域，补充数据生成模糊规则库以覆盖整个区域，生成模糊规则库；
步骤P4：基于模糊规则库生成模糊预测模型，将测试集中的每个特征模糊化为一个模糊集合，得到模糊规则的前提，从模糊规则库中找到与前提相匹配的模糊规则，并进行预测；
步骤P5：模糊预测融合，将模糊预测模型嵌入到LSTM模型中，以模糊规则库中的模糊规则的形式提取训练集数据的最新信息和历史信息之间的推理关系，将LSTM模型中的输入门、遗忘门和输出门与模糊预测相结合产生新的输出，所用公式如下：
；
；
；
其中，表示模糊预测函数，/>、/>、/>分别为LSTM模型的输入门、遗忘门、输出门，/>、/>、分别是输入门、遗忘门、输出门与模糊预测相结合的函数，/>表示时间步长，/>表示输入状态，/>为隐藏状态，/>和/>分别表示/>和/>的输入状态和隐藏状态，/>为模糊预测模型在时间步长/>的输出，/>、/>、/>为/>的权值矩阵，/>、/>、/>为/>的权值矩阵，/>、、/>为/>的权值矩阵，/>表示sigmoid函数，/>、/>、/>表示常数偏置；
步骤P6：强化记忆层，使用强化记忆层增强LSTM模型的长期记忆，在强化记忆层中，电流输出和单元状态被组合成一个新的单元，利用卷积和tanh函数提取更有效的特征，形成新的记忆单元，将当前单元状态和新的单元状态相加生成输出，所用公式如下：
；
；
；
其中，表示当前的单元状态和新的单元状态结合成的新单元的输出，/>表示当前的单元状态，/>为卷积操作，/>表示通过卷积/>和/>函数提取的有效特征形成的新的记忆单元，/>为强化记忆层的输出；
步骤P7：参数段共享策略，使用参数段共享策略获取待预测的测试集数据的长度，共享参数的个数，构造不同的输出层进行预测，不同的输出层捕获不同时间段的时间特征，输出层预测结果用公式表示，所用公式如下：
；
；
其中，为预测结果，/>为权重矩阵，/>为偏差，/>为输出层个数，/>为待预测的测试集数据的长度，/>为共享参数的个数。
5.根据权利要求4所述的一种基于机器学习的体育器材安全性评估系统，其特征在于：在步骤P2中，简化冗余规则和冲突规则，并生成新的模糊规则，具体包括以下内容：
简化冗余规则：在数据生成模糊规则库中找出具有相同前提和结果的模糊规则组，然后只保留其中一个模糊规则并从模糊规则库中删除其他模糊规则组，前提和结果分别指模糊规则的条件部分和模糊规则的结果部分；
简化冲突规则：在数据生成模糊规则库中找出具有相同前提但不同结果的模糊规则组，然后整合模糊规则组中所有模糊规则的信息生成一个新的模糊规则，从模糊规则库中删除这个产生冲突的模糊规则组并将新的模糊规则添加到模糊规则库中。
6.根据权利要求4所述的一种基于机器学习的体育器材安全性评估系统，其特征在于：在步骤P3中，补充新的模糊规则，并生成模糊规则库，具体包括以下步骤：
步骤P31：对于未出现在数据生成模糊规则库中的每个前提组合，找出仅在个前提下与该前提组合不同的新的模糊规则的集合，称为/>组，确定第一个非空的组，即/>组；
步骤P32：对于组中的所有模糊规则进行计算，用公式如下：
；
其中，是/>中模糊规则的个数，/>是/>组中第/>个模糊规则结果的模糊集的中心值；
步骤P33：使用隶属度函数找到使得取得隶属度最高的模糊集合，根据前提生成外推规则，重复步骤P31至步骤P33，直到构建所有的外推规则，将外推规则与数据生成模糊规则相结合，得到模糊规则库。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410157290.4A CN117689219A (zh) | 2024-02-04 | 2024-02-04 | 一种基于机器学习的体育器材安全性评估系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410157290.4A CN117689219A (zh) | 2024-02-04 | 2024-02-04 | 一种基于机器学习的体育器材安全性评估系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117689219A true CN117689219A (zh) | 2024-03-12 |
Family
ID=90137574
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410157290.4A Pending CN117689219A (zh) | 2024-02-04 | 2024-02-04 | 一种基于机器学习的体育器材安全性评估系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117689219A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015066564A1 (en) * | 2013-10-31 | 2015-05-07 | Cancer Prevention And Cure, Ltd. | Methods of identification and diagnosis of lung diseases using classification systems and kits thereof |
| CN113642896A (zh) * | 2021-08-16 | 2021-11-12 | 江苏动泰运动用品有限公司 | 基于人工智能的健身房安全风险预警方法及系统 |
| CN116777213A (zh) * | 2023-06-21 | 2023-09-19 | 湖南工商大学 | 基于大数据的碳交易市场风险预警系统以及方法 |
| CN116910680A (zh) * | 2023-09-11 | 2023-10-20 | 江苏优创生物医学科技有限公司 | 一种健身器材的远程故障检测方法及系统 |
-
2024
- 2024-02-04 CN CN202410157290.4A patent/CN117689219A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015066564A1 (en) * | 2013-10-31 | 2015-05-07 | Cancer Prevention And Cure, Ltd. | Methods of identification and diagnosis of lung diseases using classification systems and kits thereof |
| CN113642896A (zh) * | 2021-08-16 | 2021-11-12 | 江苏动泰运动用品有限公司 | 基于人工智能的健身房安全风险预警方法及系统 |
| CN116777213A (zh) * | 2023-06-21 | 2023-09-19 | 湖南工商大学 | 基于大数据的碳交易市场风险预警系统以及方法 |
| CN116910680A (zh) * | 2023-09-11 | 2023-10-20 | 江苏优创生物医学科技有限公司 | 一种健身器材的远程故障检测方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| ANURAG KULSHRESTHA等: "Use of LSTM for Sinkhole-Related Anomaly Detection and Classification of InSAR Deformation Time Series", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》, vol. 15, 31 December 2022 (2022-12-31), pages 4559 - 4570 * |
| HAIFEI ZHANG等: "Cautious weighted random forests", 《EXPERT SYSTEMS WITH APPLICATIONS》, 23 September 2022 (2022-09-23), pages 1 - 12 * |
| WEINAWANG: "Fuzzy inference‑based LSTM for long‑term time series prediction", 《SCIENTIFIC REPORTS》, 21 November 2023 (2023-11-21), pages 1 - 16 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109767312B (zh) | 一种信用评估模型训练、评估方法与装置 | |
| CN112052948B (zh) | 一种网络模型压缩方法、装置、存储介质和电子设备 | |
| CN109215344B (zh) | 用于城市道路短时交通流量预测的方法和系统 | |
| CN112687374B (zh) | 一种基于文本和图像信息联合计算的心理危机预警方法 | |
| Dai et al. | Hybrid deep model for human behavior understanding on industrial internet of video things | |
| CN112116069A (zh) | 一种基于Attention-LSTM的强化学习Agent知识推理方法 | |
| CN116562514B (zh) | 基于神经网络的企业生产状况即时分析方法及系统 | |
| CN109472030A (zh) | 一种系统回复质量的评价方法及装置 | |
| CN112819024B (zh) | 模型处理方法、用户数据处理方法及装置、计算机设备 | |
| CN116245227A (zh) | 逐日气象干旱预测方法、装置、存储介质和设备 | |
| CN114037871A (zh) | 一种基于神经支持决策树的图像分类可解释方法 | |
| Abudureheman et al. | Performance evaluation of enterprises’ innovation capacity based on fuzzy system model and convolutional neural network | |
| CN117436707B (zh) | 基于人工智能的消防安全管理方法及系统 | |
| Geng et al. | Novel IAPSO-LSTM neural network for risk analysis and early warning of food safety | |
| Lauren et al. | A low-dimensional vector representation for words using an extreme learning machine | |
| Jiange et al. | Water quality prediction based on IGRA-ISSA-LSTM model | |
| CN115938104A (zh) | 一种动态短时路网交通状态预测模型及预测方法 | |
| CN117313795A (zh) | 一种基于改进dbo-lstm的智慧楼宇能耗预测方法 | |
| CN117312979A (zh) | 对象分类方法、分类模型训练方法及电子设备 | |
| CN117689219A (zh) | 一种基于机器学习的体育器材安全性评估系统 | |
| Kocabas et al. | Agent-based model validation using Bayesian networks and vector spatial data | |
| CN115293249A (zh) | 一种基于动态时序预测的电力系统典型场景概率预测方法 | |
| CN112052386B (zh) | 信息推荐方法、装置和存储介质 | |
| CN115730248A (zh) | 一种机器账号检测方法、系统、设备及存储介质 | |
| CN111882124B (zh) | 一种基于生成对抗模仿学习的同质平台发展效应预测方法 |
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 |