TWI411971B - 選手等級預測之方法及系統 - Google Patents

選手等級預測之方法及系統 Download PDF

Info

Publication number
TWI411971B
TWI411971B TW97107474A TW97107474A TWI411971B TW I411971 B TWI411971 B TW I411971B TW 97107474 A TW97107474 A TW 97107474A TW 97107474 A TW97107474 A TW 97107474A TW I411971 B TWI411971 B TW I411971B
Authority
TW
Taiwan
Prior art keywords
player
data
neural network
level
level prediction
Prior art date
Application number
TW97107474A
Other languages
English (en)
Other versions
TW200939138A (en
Inventor
Ching Hua Chiu
Original Assignee
Nat Univ Chung Hsing
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nat Univ Chung Hsing filed Critical Nat Univ Chung Hsing
Priority to TW97107474A priority Critical patent/TWI411971B/zh
Publication of TW200939138A publication Critical patent/TW200939138A/zh
Application granted granted Critical
Publication of TWI411971B publication Critical patent/TWI411971B/zh

Links

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Description

選手等級預測之方法及系統
本發明是有關於一種選手等級預測之技術，特別是指一種應用類神經網路(Artificial Neural Network)的選手等級預測之方法及系統。
一般而言，選手之成就，除了接受嚴格的系統化訓練，加上經年累月之國際比賽經驗外，最主要是選手本身之運動天賦。
隨著運動科學之發展，使得各項運動成績突飛猛進，競爭亦日趨緊張激烈。事實證明，唯有具備運動天賦者，經過嚴格及合理的科學訓練，方能在國際體壇上獲得佳績。
故，有必要尋求一套選手等級預測之模式來輔助科學選才，以提高成才率，降低淘汰率，並減少人力、物力和時間浪費，期在短時間內培養出大批優秀的運動選手。
因此，本發明之目的，即在提供一種選手等級預測之方法。
於是，本發明選手等級預測之方法是包含下列步驟：(a)根據一選手樣本群組進行學習演算，以求得一類神經網路模型之複數加權值與複數偏權值；(b)提供一待測選手資料組；以及(c)將該待測選手資料組輸入該類神經網路模型，以求得對應之一選手等級。
本發明之另一目的，即在提供一種選手等級預測之系統。
於是，本發明選手等級預測之系統是包含一輸入單元及一類神經網路處理單元。該輸入單元用以供一使用者輸入一待測選手資料組。該類神經網路處理單元包括一學習演算模組及一回想演算模組。該學習演算模組用以根據一選手樣本群組進行學習演算，以求得一類神經網路模型之複數加權值與複數偏權值。該回想演算模組用以將該待測選手資料組輸入該類神經網路模型，以求得對應之一選手等級。
藉由本發明選手等級預測之方法及系統，來輔助科學選才，可提高成才率，降低淘汰率，並減少人力、物力和時間浪費，以期在短時間內培養出大批優秀的運動選手，的確可以達成本發明之目的。
有關本發明之前述及其他技術內容、特點與功效，在以下配合參考圖式之一個較佳實施例的詳細說明中，將可清楚的呈現。
參閱圖1，本發明選手等級預測之系統1的較佳實施例包含一輸入單元11、一類神經網路處理單元12，及一輸出單元13。該輸入單元11用以供一使用者輸入一待測選手資料組。該類神經網路處理單元12包括一學習演算模組121、一選手樣本群組資料庫122、一回想演算模組123，及一類神經網路模型資料庫124。該學習演算模組121用以根據預先儲存於該選手樣本群組資料庫122之一選手樣本群組進行學習演算，以求得包括複數個加權值及複數個偏權值之一類神經網路模型。其中，該等加權值與偏權值儲存於該類神經網路模型資料庫124。該回想演算模組123用以將該待測選手資料組輸入該類神經網路模型，以求得對應之一選手等級。該輸出單元13用以將該選手等級提供給該使用者。
在本較佳實施例中，該輸入單元11為供該使用者輸入資料之鍵盤；該類神經網路處理單元12可整合成一軟體並安裝至個人電腦；該輸出單元13為供該使用者瀏覽選手等級預測結果之一般顯示器或電腦螢幕。
參閱圖1~3，本發明選手等級預測之方法包含下列步驟。值得一提的是，在進行選手等級預測之前，必須先進行學習演算，以求得該類神經網路模型之加權值與偏權值。圖2為學習演算之步驟(如步驟21~26所示)，圖3為選手等級預測之步驟(如步驟31~34所示)。
首先，參閱圖1與圖2，針對學習演算之步驟進行描述：在步驟21中，提供儲存有該選手樣本群組之選手樣本群組資料庫122。其中，該選手樣本群組包括複數筆訓練資料組，其係依複數已知選手的資料預先建立。以球類運動之選手為例，每一筆訓練資料組具有一已知選手資料組，及對應之一已知選手等級。每一已知選手資料組具有對應某一已知選手之一年齡資料、一智力資料、一身體組成資料、一身材勻稱度資料、一柔軟度資料、一爆發力資料、一反應速度資料、一球感資料、一速度資料、一協調性/上肢爆發力資料，及一心肺耐力資料。該已知選手等級可為一世界排名前一百名選手、一奧運選手、一亞運選手、一國家級選手、一縣市級選手、一鄉鎮級選手，或一學校代表級選手。
在步驟22中，該學習演算模組121自該選手樣本群組資料庫122讀入每一筆訓練資料組。
在步驟23~25中，該學習演算模組121判斷讀入之每一筆訓練資料組是否正確，也就是說，判斷每一訓練資料組之已知選手資料組中，是否資料值皆在合理範圍內；若是(例如，年齡資料為18歲係在合理範圍內)，則繼續進行步驟24之處理，即，該學習演算模組121進行學習演算直到該類神經網路模型收斂為止；否則(例如，年齡資料為300歲係不在合理範圍內)，繼續進行步驟25之處理，即，使用者針對該筆訓練資料組中不正確之部分進行重新輸入。
在步驟26中，該學習演算模組121將該類神經網路模型之該等加權值與偏權值儲存於該類神經網路模型資料庫124中。
繼而，參閱圖1、圖3與圖4，針對選手等級預測之步驟進行描述：在步驟31中，該使用者透過該輸入單元11輸入該待測選手資料組。同樣以球類運動之選手為例，該待測選手資料組包括對應一待測選手之一年齡資料、一智力資料、一身體組成資料、一身材勻稱度資料、一柔軟度資料、一爆發力資料、一反應速度資料、一球感資料、一速度資料、一協調性/上肢爆發力資料，及一心肺耐力資料。
以球類運動之選手中的桌球選手為例，其在等級預測的過程中所需之輸入資料描述如下：該年齡資料可為該待測選手之一年齡值(以x1 表示)，該智力資料可為該待測選手之一智力商數(Intelligence Quotient，簡稱IQ)值(以x2 表示)；該身體組成資料可由該待測選手之一身高值(以x3 表示)與一體重值(以x4 表示)求得；該身材勻稱度資料可由該待測選手之一上肢長(以x5 表示)及一下肢長(以x6 表示)求得；該柔軟度資料可為該待測選手之一坐姿體前彎值(以x7 表示)；該爆發力資料可為該待測選手之一立定跳遠值(以x8 表示)；該反應速度資料可為該待測選手之一反應時間值(以x9 表示)；該球感資料可為該待測選手之一1分鐘對牆擊球數(以x10 表示)；該速度資料可為該待測選手之一30公尺跑步秒數(以x11 表示)；該協調性/上肢爆發力資料可為該待測選手之一壘球擲遠值(以x12 表示)；該心肺耐力資料可為該待測選手之一800公尺跑步測驗值(以x13 表示)。
在步驟32~33中，該回想演算模組123將該待測選手資料組(x1 ~x13 )輸入儲存於該類神經網路模型資料庫124之類神經網路模型，利用其加權值與偏權值，求得對應該待測選手之選手等級。其中，該選手等級可為一世界排名前一百名選手、一奧運選手、一亞運選手、一國家級選手、一縣市級選手、一鄉鎮級選手，或一學校代表級選手。各選手等級對應該類神經網路模型之輸出(以y1 ~y7 表示)如表1所示。
在步驟34中，透過該輸出單元13，將對應於該待測選手之該選手等級提供給該使用者瀏覽。
雖然上述較佳實施例，係以球類運動之選手作為範例進行說明，但是只要以類似於本發明之技術，根據不同類型之選手資料建立出對應之類神經網路模型，其亦可適用於各種不同類型之選手等級預測，所以本發明之實施並非受限於本較佳實施例之例示。
歸納上述，藉由本發明選手等級預測之方法及系統，可預測出待測選手之選手等級，來輔助科學選才，以提高成才率，降低淘汰率，並減少人力、物力和時間浪費，的確可以達成本發明之目的。
惟以上所述者，僅為本發明之較佳實施例而已，當不能以此限定本發明實施之範圍，即大凡依本發明申請專利範圍及發明說明內容所作之簡單的等效變化與修飾，皆仍屬本發明專利涵蓋之範圍內。
1．．．選手等級預測之系統
11．．．輸入單元
12．．．類神經網路處理單元
121．．．學習演算模組
122．．．選手樣本群組資料庫
123．．．回想演算模組
124．．．類神經網路模型資料庫
13．．．輸出單元
21~26．．．步驟
31~34．．．步驟
圖1是一方塊圖，說明本發明選手等級預測之系統的較佳實施例；圖2是一流程圖，說明本發明選手等級預測之方法中學習演算之步驟；圖3是一流程圖，說明本發明選手等級預測之方法中選手等級預測之步驟；及圖4是一示意圖，說明對應本發明之一類神經網路模型。
1．．．選手等級預測之系統
11．．．輸入單元
12．．．類神經網路處理單元
121．．．學習演算模組
122．．．選手樣本群組資料庫
123．．．回想演算模組
124．．．類神經網路模型資料庫
13．．．輸出單元

Claims (12)

  1. 一種選手等級預測之方法，包含下列步驟：(a)根據一選手樣本群組進行學習演算，以求得一包括複數個加權值及複數個偏權值之類神經網路模型；(b)提供一待測選手資料組，其中，該待測選手資料組包括一年齡資料、一智力資料、一身體組成資料、一身材勻稱度資料、一柔軟度資料、一爆發力資料、一反應速度資料、一速度資料，及一心肺耐力資料；以及(c)將該待測選手資料組輸入該類神經網路模型，以求得對應之一選手等級。
  2. 依據申請專利範圍第1項所述之選手等級預測之方法，其中，該步驟(a)包括下列子步驟：(a-1)提供該選手樣本群組，其中，該選手樣本群組包括複數筆訓練資料組；(a-2)判斷每一筆訓練資料組是否正確，若是，則繼續進行步驟(a-3)，否則，重新輸入該筆不正確之訓練資料組；以及(a-3)進行學習演算直到該類神經網路模型收斂。
  3. 依據申請專利範圍第1項所述之選手等級預測之方法，其中，該待測選手資料組更包括一球感資料，及一協調性/上肢爆發力資料。
  4. 依據申請專利範圍第3項所述之選手等級預測之方法，係用於球類運動之選手等級預測。
  5. 依據申請專利範圍第1項所述之選手等級預測之方法， 其中，該選手等級為一世界排名前一百名選手、一奧運選手、一亞運選手、一國家級選手、一縣市級選手、一鄉鎮級選手，或一學校代表級選手。
  6. 一種選手等級預測之系統，包含：一輸入單元，用以供一使用者輸入一待測選手資料組，其中，該待測選手資料組包括一年齡資料、一智力資料、一身體組成資料、一身材勻稱度資料、一柔軟度資料、一爆發力資料、一反應速度資料、一速度資料，及一心肺耐力資料；以及一類神經網路處理單元，包括一學習演算模組及一回想演算模組，該學習演算模組用以根據一選手樣本群組進行學習演算，以求得一包括複數個加權值及複數個偏權值之類神經網路模型，該回想演算模組用以將該待測選手資料組輸入該類神經網路模型，以求得對應之一選手等級。
  7. 依據申請專利範圍第6項所述之選手等級預測之系統，其中，該類神經網路處理單元更包括一類神經網路模型資料庫，用以儲存該等加權值及該等偏權值。
  8. 依據申請專利範圍第6項所述之選手等級預測之系統，其中，該類神經網路處理單元更包括一選手樣本群組資料庫，用以儲存預先建立之該選手樣本群組。
  9. 依據申請專利範圍第6項所述之選手等級預測之系統，其中，該待測選手資料組更包括一球感資料，及一協調性/上肢爆發力資料。
  10. 依據申請專利範圍第9項所述之選手等級預測之系統，係用於球類運動之選手等級預測。
  11. 依據申請專利範圍第6項所述之選手等級預測之系統，其中，該選手等級為一世界排名前一百名選手、一奧運選手、一亞運選手、一國家級選手、一縣市級選手、一鄉鎮級選手，或一學校代表級選手。
  12. 依據申請專利範圍第6項所述之選手等級預測之系統，更包含一輸出單元，用以將該選手等級提供給該使用者。
TW97107474A 2008-03-04 2008-03-04 選手等級預測之方法及系統 TWI411971B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
TW97107474A TWI411971B (zh) 2008-03-04 2008-03-04 選手等級預測之方法及系統

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW97107474A TWI411971B (zh) 2008-03-04 2008-03-04 選手等級預測之方法及系統

Publications (2)

Publication Number Publication Date
TW200939138A TW200939138A (en) 2009-09-16
TWI411971B true TWI411971B (zh) 2013-10-11

Family

ID=44867599

Family Applications (1)

Application Number Title Priority Date Filing Date
TW97107474A TWI411971B (zh) 2008-03-04 2008-03-04 選手等級預測之方法及系統

Country Status (1)

Country Link
TW (1) TWI411971B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI684997B (zh) * 2018-05-29 2020-02-11 中國醫藥大學附設醫院 骨齡評估與身高預測模型之建立方法、骨齡評估與身高預測系統及骨齡評估與身高預測方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
鄭道明，詹皇彥，以倒傳遞網路預測營建粉刷工姿勢不良程度與最大可工作時間，朝陽科技大學，20070730。 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI684997B (zh) * 2018-05-29 2020-02-11 中國醫藥大學附設醫院 骨齡評估與身高預測模型之建立方法、骨齡評估與身高預測系統及骨齡評估與身高預測方法

Also Published As

Publication number Publication date
TW200939138A (en) 2009-09-16

Similar Documents

Publication Publication Date Title
Arede et al. Jump higher, run faster: effects of diversified sport participation on talent identification and selection in youth basketball
Klusemann et al. Optimising technical skills and physical loading in small-sided basketball games
Haugen et al. Sprint mechanical properties in soccer players according to playing standard, position, age and sex
Pearson et al. Predictability of physiological testing and the role of maturation in talent identification for adolescent team sports
Matthys et al. A multidisciplinary identification model for youth handball
Vandorpe et al. The value of a non-sport-specific motor test battery in predicting performance in young female gymnasts
Bullock et al. Talent identification and deliberate programming in skeleton: Ice novice to Winter Olympian in 14 months
CN104488022B (zh) 用于响应于移动装置的动作提供动态定制的体育教学的方法
Mohamed et al. Anthropometric and performance measures for the development of a talent detection and identification model in youth handball
Coelho E Silva et al. Functional capacities and sport‐specific skills of 14‐to 15‐year‐old male basketball players: Size and maturity effects
Scanlan et al. Power-related determinants of modified agility t-test performance in male adolescent basketball players
Faber et al. The Dutch motor skills assessment as tool for talent development in table tennis: a reproducibility and validity study
Mayhew et al. Comparison between hand and electronic timing of 40-yd dash performance in college football players
Velentzas et al. Functional mental representation of volleyball routines in German youth female national players
Massidda et al. Performance scores and standings during the 43rd Artistic Gymnastics World Championships, 2011
McLaren et al. Differential training loads and individual fitness responses to pre-season in professional rugby union players
Castillo et al. The influence of physical fitness attributes on external demands during simulated basketball matches in youth players according to age category
JP7349748B2 (ja) 学校体力測定結果または運動能力チェック結果から導かれる、遊び情報提供システム、及び遊び情報提供方法
Gagnon-Dolbec et al. Feedback, sport-confidence and performance of lacrosse skills
Nurjaya et al. Rowing talent identification based on main and weighted criteria from the Analytic Hierarchy Process (AHP)
McGibbon et al. A novel method to characterize the pacing profile of elite male 1500-m freestyle swimmers
Song et al. Pattern recognition characteristics and neural mechanism of basketball players’ dribbling tactics based on artificial intelligence and deep learning
Houghton et al. Performance in a simulated cricket batting innings (BATEX): Reliability and discrimination between playing standards
TWI411971B (zh) 選手等級預測之方法及系統
Baker et al. Athlete development models

Legal Events

Date Code Title Description
MM4A Annulment or lapse of patent due to non-payment of fees