Professional Documents
Culture Documents
基于支持向量机的自行车运动员综合素质评价体系研究
基于支持向量机的自行车运动员综合素质评价体系研究
4 计算机与数字工程 总第 354 期
838 Computer & Digital Engineering 第 474 卷
2019 年第 期
基于支持向量机的自行车运动员
∗
综合素质评价体系研究
杨 琳1 李 媛1 杨 艳1 韩 婧2 韩美林 1 乔成芳 1
(1. 商洛学院 商洛 726000)
(2. 商洛市体育局 商洛 726000)
Abstract A comprehensive quality evaluation system of cyclists based on SVM algorithm is introduced in order to solve the
problem that the nonlinear relationship between the comprehensive quality and the factors of the cyclists. The 16 factors of the 4 in⁃
dexes of body shape,body function,sports ability and special ability of the 225 cyclists are chosen as the research objects. The pa⁃
rameters of the network model are optimized by three methods,the grid search method,the GA algorithm and the improved GA algo⁃
rithm. The results show that the improved GA algorithm has a high recognition accuracy,and it can reach 98.2906%. It can provide
a scientific method for evaluating the comprehensive quality of cyclists.
Key Words SVM,GA,cyclists,comprehensive quality
Class Number TP183
其计算机中心拥有庞大的数据库,包括运动员档
1 引言 案、训练、比赛、营养、体育设备、经费等各方面的数
随着自行车运动的流行与普及,越来越多人成 据。在 20 世纪 90 年代,我国一些科技工作者完成
为专业运动员参与到自行车比赛当中。自行车运 了大规模的关于自行车运动员科学选材标准的课
动员的综合素质的高低是决定车队比赛成绩的关 题[3~5],取得了很多成果,包括获得自行车运动员各
键。对自行车运动员综合素质的科学评价成为一 项信息的大量数据,为自行车运动员的综合素质评
项重要的问题 。前苏联在 1980 年奥运会信息
[1~2]
价提供了科学的理论依据。一直以来,诸多学者从
网络的基础上成立了全苏体育自动化管理研究所, 自行车远动员的专项能力、身体素质、运动能力、遗
∗ 收稿日期:2018 年 10 月 7 日,修回日期:2018 年 11 月 20 日
基金项目:国家自然基金项目(编号:21703135);国家级大学生创新创业训练项目(编号:201811396016);陕西省体育
局科研常规课题(编号:17056);陕西省 2018 年大学生创新创业训练计划项目(编号:2980);商洛学院 2018 年根植地
方 行 动 计 划 立 项 项 目(编 号 :gz201831);教 育 部 高 等 教 育 司 产 学 合 作 协 同 育 人 项 目(编 号 :201702071215,
201802153211)资助。
作者简介:杨琳,女,硕士,讲师,研究方向:信息处理与机器学习。李媛,女,研究方向:深度学习与神经网络。杨艳,
女,硕士,讲师,研究方向:体育教育。韩婧,女,助理工程师,研究方向:电子信息。韩美林,女,硕士,助教,研究方向:
图像处理。乔成芳,女,博士,副教授,研究方向:材料学。
2019 年第 4 期 计算机与数字工程 839
传、心理素质等方面展开了研究并取得了很多成 性,数据必须表示明确、表达简洁、易于采集和处
果,为运动员选材和训练实践提供了广泛的理论依 理,必须方便采集数据并处理。
据和实际应用方法。刘元田[6]开发了自行车运动 3)重点指标突出:建立自行车运动员综合素质
员选材软件,平渊[7]、崔建光[8]分别研究了自行车运 评价体系时必须有主有次,突出速度、踏频等重点
动员身体特征与专项技能的关系,但仍存在评价结 指标。
果与实际差距大、评价方法不合理、评价主体的不 2.2 指标体系构建
完善、评价内容不完整等问题。与此同时,近五年 自行车运动员的综台素质包括多个方面,采用
来 人 工 智 能 的 发 展 较 为 迅 速 ,尤 其 是 BP 神 经 网 层次分析法,将这些指标分为三层:目标层、指标
络[9~10]、支持向量机[11~12]、遗传算法[13]、深度学习[14] 层、因素层。本课题从身体形态、身体机能、运动能
等智能算法理论得到爆裂性的发展,广泛应用于语 力、专项能力四个指标作为评价的标准,再综合考
音识别、图像分类、智能控制、股票预测等。本文提
虑各个指标的详细情况和相关性,将这四类指标具
出利用支持向量机和遗传算法这样的智能算法来
体细分为如图 1 所示的 16 项因素。
设计一套自行车运动员综合素质评价体系,选取
1)身体形态指标是指反应身体生长情况的各
225 个运动员的身体形态、身体机能、运动能力、专
项素质,包括克托莱指数(X1)、肩宽身高比(X2)、
项能力 4 类指标中的 16 个影响因素数据,进行了较
胸围身高比(X3)、比踝围(X4)。这些因素反应了
为全面的数据分析,改进了搜寻网络参数的遗传算
运动员的身体形态,对运动员的骑行速度、稳定程
法,提高了识别准确率和效率。
度有举足轻重的影响。
2 自行车运动员素质评价体系的构建 2)身体机能指标是指反应身体健康状况的各
项素质,包括体脂率(X5)、血红蛋白含量(X6)、安
2.1 构建方法与设计原则
静心率(X7)、最大摄氧量(X8),这些因素直接影响
建立自行车运动员综合素质评价体系需要遵
循以下原则,包括科学性、可执行性、重点因素属性 着运动员是否能够正常训练或比赛。
值突出等。 3)运动能力指标是指反应身体在体育运动方
1)科学性:自行车运动员综合素质评价体系复 面 的 各 项 素 质 ,包 括 无 氧 阂 值(X9)、60m 跑 时 间
杂,建立指标体系要全面、有主次、简约、独立性好, (X10)、选择反应时(X11)、立定跳远距离(X12)。
同时需要涵盖运动员素质的各个方面,选取指标和 这些因素决定了运动员在队伍中间的位置。
因素需以“素质”作为重点,具体要结合自行车运动 4)专项能力指标是指反应自行车运动方面的
员的自身特点;为了得到公平、公正的评价结果,采 各项专业素质,包括 30s 平均踏蹬频率(X13)、30s
集数据和对数据的预处理也需要有科学性。 最 大 功 率(X14)、30s 最 大 心 率(X5)、神 经 类 型
2)可执行性:在建立自行车运动员综合素质评 (X6)。这些因素是确定运动员能力的关键性专业
价体系时,要考虑到指标、因素数据获取的可操作 因素。
图1 自行车运动员质素质评价指标体系
840 杨 琳等:基于支持向量机的自行车运动员综合素质评价体系研究 第 47 卷
0.11,0.44]、B3=[0.29,0.21,0.27,0.23]、B4=[0.3,
3 神经网络评级模型概述 0.3,0.28,0.12]分别表示克托莱指数、肩宽身高比、
3.1 神经网络 胸围身高比、比踝围这些因素对身体形态指标的影
神 经 网 络 ,又 称 作 人 工 神 经 网 络(Artificial 响程度分别为 30%、20%、20%、30%;体脂率、血红
Neural Networks),是一种模仿动物或者人的神经网 蛋白含量、安静心率、最大摄氧量这些因素对身体
络运作模式的数学模型,这种网络有大量的神经 机能指标的影响程度分别为 17%、28%、11%、44%;
元,包括输入层、隐含层、输出层,节点之间的关系 无氧阂值、60m 跑时间、选择反应时、立定跳远距
称为权重。权重值、输入、迭代次数决定了网络的 离、这些因素对运动能力指标的影响程度分别为
输出。通过一次次迭代,调整关系权重,从而得到 29%、21%、27%、23%;30s 平均踏蹬频率、30s 最大
最理想的输出。能够自适应和自学习是人工神经 功率、30s 最大心率、神经类型这些因素对专项能力
网络最突出的特性。 指标的影响程度分别为 30%、30%、28%、12%。最
3.2 支持向量机 后取几何平均值作为因素层的权重值 C =[0.027
支持向量机(Support Vector Machine,SVM)是 0.018 0.018 0.027 0.034 0.056 0.022 0.088 0.0986
一种神经网络算法,属于有监督学习的神经网络模 0.0714 0.0918 0.0782 0.111 0.111 0.1036 0.0444]。
型,广泛应用于模式识别、线性回归、聚类、数据分 偏置 b
析等领域。给定一组训练样本,每一个样本去标记 K(X,X1)
类别标签
克托莱指数
年龄
0 0.2 0.4 0.6 0.8 1 3
归一化属性值
2
图3 自行车运动员因素数据的 box 可视化图
1
0 20 40 60 80 100 120
样本序号
图6 自行车运动员测试集预测结果
4.4 参数改进
默认的惩罚参数,得到的预测准确率并不理
想,因此需要去调节参数。也就是寻找最佳的 g 参
数和 c 参数,从而得到理想的预测准确率。常见的
方法有粒子群优化算法(PSO)、网格搜寻法、遗传
算法(GA)。在本文中利用这些方法来优化 g 参数
和 c 参数。
4.4.1 网格搜寻法
图4 自行车运动员因素数据的分维可视化图 网格搜寻法的基本思路是,先规定一个 g 参数
6 和 c 参数的粗略搜寻范围,在这个范围内按照一定
的顺序和步进,利用每一组参数去预测,得到一个
5
最佳准确率对应的最佳参数组合。
4
类别标签
执行第一次粗略搜寻后,进一步缩小搜寻范围
3 并调整步进,再一次执行精细搜寻。本文中搜寻的
结果如图 7 所示,其中粗略搜寻的结果如图(a)、
2
(c),最 佳 参 数 为 c=64 g=0.0110 ,准 确 率 为 AC=
1
0 20 40 60 80 100 120 93.2870%,精细搜寻的结果如图(b)、
(d)c=6.9644
样本序号
g=0.2415,准确率 AC=94.7222% 。
图5 训练集分类结果的标签分布图
4.3 模型训练与预测
SVM 的核函数有径向、两层感知器、多项式、线
性等非分类下的若干种函数。由于自行车运动员
因素与结果之间的非线性关系,本文将 RBF 径向函
数作为系统的核函数,主要是因为这个函数,能满
足各因素属性值与标签值的非线性关系,所以更加
(a)粗略选择等高线图 (b)精细选择等高线图
适用于高维空间。RBF 函数的输入输出映射关系 (c=64 g=0.0110 AC=93.3%) (c=6.9644 g=0.2415 AC=94.7%)
842 杨 琳等:基于支持向量机的自行车运动员综合素质评价体系研究 第 47 卷
7
实际测试集分类
预测测试集分类
6
类别标签
4
2
(c)粗略选择 3D 视图 (d)精细选择 3D 视图
(c=64 g=0.0110 AC=93.3%) (c=6.9644 g=0.2415 AC=94.7%) 1
0 20 40 60 80 100 120
图7 网格法 cg 参数选择结果图
测试集样本序号
4.4.2 遗传算法 图 10 最佳 cg 参数下的预测结果(遗传算法)
利用网格搜寻法,可以在一定范围内找到最佳
4.4.3 改进的遗传算法
的惩罚参数 c、g,但是当搜寻范围比较大,或者步进
可以看出,遗传遗传算法提高了搜寻效率,但
值比较小时,这种方法就会耗费大量的时间。而引
是,准确率还有待提高。本文在遗传算法的基础上
入遗传算法去选择惩罚参数,就不用遍历网格中的
提出了改进思路,将损耗函数 ε 引入到遗传算法模
每一个点,很大程度上提高效率,节约时间。遗传
型中去优化,因为损耗函数 ε 同样会影响模型的预
算法的算法流程如图 8 所示,经过 200 次迭代,遗传
测准确率。改进算法的流程如下:
算法确定最佳参数是 c=5.650 g=0.25,cg 参数的适
1)种群初始化,设置惩罚参数 c、核函数参数
应度曲线如图 9 所示,分类结果如图 10 所示,准确
g、损耗函数 ε 的初始范围,这个范围尽可能地设大
率 为 AC=96.8812% ,时 间 从 99.1372s 减 少 到
一些。
31.4341s。
2)计算并保存适应度。
开始
3)当前种群数据处理后,顺序执行选择、交叉、
二进制编码
变异过程。
确定适应度函数 4)查看结束迭代条件是否满足,满足,则将最
产生初始种群 好的参数输出;不满足,则继续下一轮迭代。
5)利用最优化的参数(c,g,ε )进行数据的预
计算适应度函数
测,得到最佳结果。
适应度定标
用 改 进 的 算 法 得 到 最 优 参 数 为 c=7.1166,g=
0.2964,ε =0.1254。 这 组 参 数 下 ,预 测 准 确 率 为
是否满足终止条件
98.2906%,耗时为 35.8811s。
Y
N
4.5 结果讨论
选择、交叉、变异
表1 不同方法选择 cg 参数的效果对比
确定最优解
准 确 率
方法 最佳 c 最佳 g 耗时(s)
解码 (%)
默认值 2 1 0.4198 87.1925
输出最优解(c,g)
网格搜寻法(粗略) 64 0.0110 99.1372 93.2870
结束 网格搜寻法(精细) 6.9644 0.2415 122.2537 94.7222
遗传算法 17.6135 0.1548 31.4341 96.8812
图8 遗传算法获取最佳 cg 参数的算法流程
改进的遗传算法 7.1166 0.2964 35.8811 98.2906
100
几种方法选择 c、g 参数的结果对比如表 1 所
80 最佳适应度
平均适应度
示。可以看出,比起默认的 c、g 参数,网格搜寻法
60
适应度
40
的大大提高了准确率,但是耗时长增加了近乎 200
20
倍,主要是因为网格搜寻法遍历了有可能的所有参
0 数点。精细搜寻比粗略搜寻缩小了范围,但是搜寻
0 50 100 150 200
进化代数 步进更小,意味着网格更加精细,二者耗时不相上
图9 获取最佳 cg 参数(遗传算法)的适应度曲线 下,在准确率上,精细搜寻略优于粗略搜寻。引入
2019 年第 4 期 计算机与数字工程 843
的方法和依据。 139-143.
CAO Yongfeng,ZHAO Yanjun. Computer Intelligent Im⁃
参考文献 age Recognition Technology Based on GA-BP Neural Net⁃
work[J]. Applied Laser,2017,37(01):139-143.
[1]冯连世,冯美云,冯炜权. 优秀运动员身体机能评定方 [10]Srivastava,N. ,Hinton,G. ,Krizhevsky,A. ,Sutskev⁃
法[M]. 北京:人民体育出版社,2003:111-112. er,I. & Salakhutdinov,R. Dropout:a simple way to pre⁃
FENG Lianshi,FENG Meiyun,FENG Weiquan. Physical vent neural networks from overfitting[J]. Machine Learn⁃
Function Evaluation Method for Elite Athletes[M]. Bei⁃ ing,2014,15:1929-1958.
jing:People's Sports Publishing House of China of China, [11]何静,刘林凡,张昌凡,等. 参数优化的支持向量机机
2003:111-112. 车车轮状态检测[J]. 电子测量与仪器学报,2016,30
[2]李之俊,马国强,苟波. 自行车运动员专项体能研究进 (11):1709-1717.
展[J]. 上海:体育科研,2005,26(5):53-58. HE Jing,LIU Linfan,ZHANG Changfan,et al. Parame⁃
LI Zhijun,MA Guoqiang,GOU Bo. Research progress on (下转第 948 页)
948 邓小亚:基于复合布谷鸟算法的彩色图像多阈值分割 第 47 卷
(上接第 843 页)
ter optimization for wheel condition detection of support CSEE,2016,36(05):1173-1180.
vector machine locomotives [J]. Journal of Electronic [13]刘浩然,赵翠香,李轩,等. 一种基于改进遗传算法的
Measurement and Instruments, 2016, 30 (11) : 神经网络优化算法研究[J]. 仪器仪表学报,2016,37
1709-1717. (07):1573-1580.
[12]戴远航,陈磊,张玮灵,等. 基于多支持向量机综合的 LIU Haoran,ZHAO Cuixiang,LI Xuan,et al. A study
电 力 系 统 暂 态 稳 定 评 估[J]. 中 国 电 机 工 程 学 报 , of neural network optimization algorithm based on im⁃
2016,36(05):1173-1180. proved genetic algorithm[J]. Chinese Journal of Scientif⁃
DAI Yuanhang,CHEN Lei,ZHANG Weiling,et al. ic Instrument,2016,37(07):1573-1580.
Transient stability assessment of power system based on [14]Y LeCun,Y Bengio,G Hinton. Deep Learning[J]. Na⁃
multi-support vector machines [J]. Proceedings of the ture,2015,521:436-444.