Vol. 47 No.

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）

摘 要 针对自行车运动员综合素质评价结果和影响因素之间的非线性关系问题，建立一套基于 SVM 算法的自行车

运动员综合素质评价体系。选取 225 个运动员的身体形态、身体机能、运动能力、专项能力 4 类指标中的 16 个影响因素作为
研究对象；分别利用网格搜寻法、GA 算法和改进的 GA 算法三种方法来优化网络模型的参数。结果表明，改进的 GA 算法识
别准确率较高，可以达到 98.2906%，可为自行车运动员的综合素质评价提供科学的方法。
关键词 支持向量机；遗传算法；自行车运动员；综合素质
中图分类号 TP183 DOI：10. 3969/j. issn. 1672-9722. 2019. 04. 019

Research on Comprehensive Quality Evaluation System of Cyclist

Based on Support Vector Machine
YANG Lin1 LI Yuan1 YANH Yan1 HAN Jing2 HAN Meilin1 QIAO Chengfang1
（1. Shangluo University，Shangluo 726000）
（2. Sports Bureau of Shangluo City，Shangluo 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
传、心理素质等方面展开了研究并取得了很多成
果，为运动员选材和训练实践提供了广泛的理论依
据和实际应用方法。刘元田［6］开发了自行车运动
员选材软件，平渊［7］、崔建光［8］分别研究了自行车运
动员身体特征与专项技能的关系，但仍存在评价结
果与实际差距大、评价方法不合理、评价主体的不
完善、评价内容不完整等问题。与此同时，近五年
来 人 工 智 能 的 发 展 较 为 迅 速 ，尤 其 是 BP 神 经 网
络［9~10］、支持向量机［11~12］、遗传算法［13］、深度学习［14］
等智能算法理论得到爆裂性的发展，广泛应用于语
音识别、图像分类、智能控制、股票预测等。本文提
出利用支持向量机和遗传算法这样的智能算法来
设计一套自行车运动员综合素质评价体系，选取
225 个运动员的身体形态、身体机能、运动能力、专
项能力 4 类指标中的 16 个影响因素数据，进行了较
为全面的数据分析，改进了搜寻网络参数的遗传算
法，提高了识别准确率和效率。
2 自行车运动员素质评价体系的构建
2.1 构建方法与设计原则
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
值突出等。
1）科学性：自行车运动员综合素质评价体系复
杂，建立指标体系要全面、有主次、简约、独立性好，
同时需要涵盖运动员素质的各个方面，选取指标和
因素需以“素质”作为重点，具体要结合自行车运动
员的自身特点；为了得到公平、公正的评价结果，采
集数据和对数据的预处理也需要有科学性。
2）可执行性：在建立自行车运动员综合素质评
价体系时，要考虑到指标、因素数据获取的可操作
图1
计算机与数字工程 839
性，数据必须表示明确、表达简洁、易于采集和处
理，必须方便采集数据并处理。
3）重点指标突出：建立自行车运动员综合素质
评价体系时必须有主有次，突出速度、踏频等重点
指标。
2.2 指标体系构建
自行车运动员的综台素质包括多个方面，采用
层次分析法，将这些指标分为三层：目标层、指标
层、因素层。本课题从身体形态、身体机能、运动能
力、专项能力四个指标作为评价的标准，再综合考
虑各个指标的详细情况和相关性，将这四类指标具
体细分为如图 1 所示的 16 项因素。
1）身体形态指标是指反应身体生长情况的各
项素质，包括克托莱指数（X1）、肩宽身高比（X2）、
胸围身高比（X3）、比踝围（X4）。这些因素反应了
运动员的身体形态，对运动员的骑行速度、稳定程
度有举足轻重的影响。
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
静心率（X7）、最大摄氧量（X8），这些因素直接影响
着运动员是否能够正常训练或比赛。
3）运动能力指标是指反应身体在体育运动方
面 的 各 项 素 质 ，包 括 无 氧 阂 值（X9）、60m 跑 时 间
（X10）、选择反应时（X11）、立定跳远距离（X12）。
这些因素决定了运动员在队伍中间的位置。
4）专项能力指标是指反应自行车运动方面的
各项专业素质，包括 30s 平均踏蹬频率（X13）、30s
最 大 功 率（X14）、30s 最 大 心 率（X5）、神 经 类 型
（X6）。这些因素是确定运动员能力的关键性专业
因素。
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）

分类，一个 SVM 训练算法建立了一个模型，分配新

克托莱指数（X1）
K（X，X2）
肩宽/身高（X2）
的坐标进行分类。一个支持向量机将在一维、多
K（X，X3）
胸围/身高（X3）
维、或无限维的空间中形成一个或多个超级平面，
比踝围（X4） K（X，X4） Y
一个理想的分类器对于每一个分类都有最接近的
体脂率（X5） 评价等级
K（X，X5）
训练数据范围，一般情况下裕度越大范化误差越
血红蛋白含量（X6）
大。 K（X，X6）
安静心率（X7）
K（X，X7）
4 自行车运动员素质评价网络模型 …
80·8 神经类型（X16）
的构建与应用 K（X，X16）

4.1 网络结构建立 图2 自行车运动员综合素质评价指标网络结构

本文根据自行车运动员水平影响因素的分析， 4.2 样本数据的选取和预处理

选择结构较为容易的 CNN 神经网络，并在该网络 选取我国六个省级自行车队的 225 名男运动
中引入 SVM 算法。因为当结构合理、投值条件也 员的各项因素信息作为样本数据（Xij）m×n，有 m 个样
相对恰当的条件下，CNN 网络容易逼近到任意的里 本，n 项因素（m=225，n=16），其中 i 为样本序号，范
阿奴函数。选择表示运动员水平的 16 个因素作为 围是［1，225］，而 j 为因素序号，范围是［1，16］。对
系统的输入层，而将反应自行车运动员水平和影响 每一项因素的 225 个数据做归一化处理，利用如式
因素的映射关系作为隐含层，评价等级作为输出 （1）所示的映射关系将每一项因素的数据范围转化
层，输出结果的可能性有 1，2，3，4，5，6 六种，分别 到［0，1］。
-
表示自行车运动员的综合素质评价等级为优秀，良 xij - x j
x*ij = i = 12m ; j = 12n
好，一般，合格，较差，差。根据分析的结果，建立 var(x j )
SVM 神经网络模型如图 2 所示。 （1）
建立了自行车运动员素质评价指标体系后，每 其中
个指标需要有权重值，咨询相关领域专家后，利用 - 1 m
x j = å xij i = 12m
层 分 析 法 ，经 过 数 据 计 算 与 分 析 ，得 到 指 标 的 权 m i=1
重 。 目 标 层 之 于 指 标 层 的 权 重 向 量 为 A =［0.09， 1
m
-
m - 1å
var(x j ) = (xij - x j ) i = 12m
0.20，0.34，0.37］，其含义是身体形态、身体机能、运 i=1

动能力、专项能力四个指标对评价结果的影响分别 这 225 个样本数据中选取前 108 个作为训练样

为 9%、20%、34%、37%。因素层相对于指标层的权 本数据，后 117 个作为测试样本数据。各项因素归
重向量为，B1=［0.3，0.2，0.2，0.3］、B2=［0.17，0.28， 一化数据的 box 可视化效果和因素分维可视化效
2019 年第 4 期 计算机与数字工程 841

果如图 3、图 4 所示，训练集的分类结果如图 5 所 如式（2）。

K ( xxi ) = exp æç-γ xT xi ö÷ γ > 0

 
2
示。 （2）
神经类型
è ø
30s 最大心率 其中，γ 是核函数的参数，x 是样本值，模型中的默
30s 最大功率
30s 平均踏蹬频率 认系统参数是 c=2，g=1。以样本中的前 108 项作为
立定跳远
选择反应时 训练样本，建立模型后，以后 117 项数据作为测试
60m 跑
无氧阂值 样本，利用此模型进行预测。预测的标签值与实际
标签值对比如图 6 所示，其准确率为 87.1795%
最大摄氧量
安静心率
血红蛋白含量 6
体脂率 实际测试集分类
比踝围 预测测试集分类
胸围/身高 5
肩宽/身高
4

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

遗传算法来搜寻 c、g 参数，不用去遍历网格中的所 specific physical fitness of cyclists［J］. Shanghai：Sport

有点，更加高效和智能，比起精细网格搜寻耗时降 Science Research，2005，26（5）：53-58.

低了 74%，准确率提高了 2.1%。将遗传算法进行 ［3］刘献武. 运动选材学［M］. 北京：人民体育出版社，1991：

32-63.
改进，把损耗函数 ε 的选择也引入到遗传算法当
LIU Xianwu. Sports Material Selection［M］. Beijing：Peo⁃
中，最终，进一步提高了识别的准确率到 98.29%。
ple's Sports Publishing House of China，1991：32-63.
5 结语 ［4］曾凡辉，王路德，邢文华，等. 运动员科学选材［M］. 北
京：人民体育出版社，1992：77-91.
将神经网络和支持向量机的理论应用于公路 ZENG Fanhui，WANG Lude，XING Wenhua，et al. Sci⁃
自行车运动员综合素质评价中，对 225 名运动员的 entific selection of athletes［M］. Beijing：People's Sports
四 类 指 标 16 个 因 素 数 据 进 行 预 处 理 后 ，建 立 了 Publishing House of China，1992：77-91.
SVM 评价模型，利用这个模型对运动员的综合素质 ［5］钟添发，田麦久，王路德. 运动员竞技能力模型与选材
进行评价，得到以下结论。 标准［M］. 北京：人民体育出版社，1994：4-23.

1）为了提高网络模型的可信度，选择 225 项数 ZHONG Tianfa，TIAN Maijiu，WANG Lude. Athletes

‘Competitive Ability Model and Selection Standard
据中的前 108 项作为训练集数据，后 117 项作为测
［M］. Beijing：People’s Sports Publishing House of Chi⁃
试集数据，以评价类型作为网络的输出标签。实验
na，1994，4-23.
结果表明，正确率在 98%左右，能满足运动员综合
［6］刘元田. 自行车运动员选材指标查询与评价软件的初
素质评价的需求。
步研制［D］. 北京：北京体育大学，2003：16-19.
2）SVM 算法克服了 BP 网络中神经元不稳定等 LIU Yuantan. Preliminary development of the software for
缺陷，降低了人为因素对评价结果的影响，同时提 inquiry and evaluation of the selection index of cyclists
高了网络模型的稳定性。 ［D］. Beijing：Beijing Sports University，2003：16-19.
3）在预测的过程中参数 c、g 对预测结果有很 ［7］平渊. 青少年与优秀男子自行车运动员身体形态特征
大程度的影响，因此需要找到最佳的 c、g 参数。网 及 专 项 体 能 的 比 较 研 究［D］. 苏 州 ：苏 州 大 学 ，2014：
格搜寻法，提高了预测准确率，但是耗时太长。GA 17-21.

算法的引入很大程度减少了耗时，提高了准确率。 PING Yuan. A comparative study on the physical charac⁃

teristics and specific physical fitness of young and elite
改进的 GA 算法将准确率进一步提高。
male cyclists ［D］. Suzhou：Soochow University，2014：
4）在训练过程中所使用数据样本不够全面，只
17-21.
有 225 条数据，这种数据量的局限性可能会一定程
［8］崔建光. 对自行车运动员大强度训练期某些生化指标
度地影响评价结果。在后续对的研究中，将尽可能 的监测研究［D］. 济南：山东师范大学，2008.
地扩大数据量，来提高网络学习和预测的精准程 CUI Jianguang. Monitoring and Research on some bio⁃
度。 chemical indexes of cyclists during intensive training
5）SVM 和 GA 算法相结合的自行车运动员综 ［D］. Jinan：Shandong Normal University，2008.
合素质评价模型，准确率达到 98.2906%，效果较为 ［9］曹永峰，赵燕君. 基于 GA-BP 神经网络的计算机智能化
理想，为自行车运动员的选材、训练、比赛提供科学 图 像 识 别 技 术 探 究［J］. 应 用 激 光 ，2017，37（01）：

的方法和依据。
参考文献
［1］冯连世，冯美云，冯炜权. 优秀运动员身体机能评定方
法［M］. 北京：人民体育出版社，2003：111-112.
FENG Lianshi，FENG Meiyun，FENG Weiquan. Physical
Function Evaluation Method for Elite Athletes［M］. Bei⁃
jing：People's Sports Publishing House of China of China，
2003：111-112.
［2］李之俊，马国强，苟波. 自行车运动员专项体能研究进
展［J］. 上海：体育科研，2005，26（5）：53-58.
LI Zhijun，MA Guoqiang，GOU Bo. Research progress on
139-143.
CAO Yongfeng，ZHAO Yanjun. Computer Intelligent Im⁃
age Recognition Technology Based on GA-BP Neural Net⁃
work［J］. Applied Laser，2017，37（01）：139-143.
［10］Srivastava，N. ，Hinton，G. ，Krizhevsky，A. ，Sutskev⁃
er，I. & Salakhutdinov，R. Dropout：a simple way to pre⁃
vent neural networks from overfitting［J］. Machine Learn⁃
ing，2014，15：1929-1958.
［11］何静，刘林凡，张昌凡，等. 参数优化的支持向量机机
车车轮状态检测［J］. 电子测量与仪器学报，2016，30
（11）：1709-1717.
HE Jing，LIU Linfan，ZHANG Changfan，et al. Parame⁃
（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
sagan，K. G. Multilevel thresholding for segmentation of
medical brain images using real coded genetic algorithm
［J］. Measurement，2014，47：558-568.
［2］D. -J.Liu，H. -J.Wang，S.Wang etc. Quaternion-based im⁃
proved artificial bee colony algorithm for color remote sens⁃
ing image edge detection［J］. Mathematical Problems in
Engineering，2015（3）：138930-138939.
［3］ Tian Zhenkun，Fu Yingying，Liu Suhong，et al. Rapid
crops classification based on UAV low-altitude remote
sensing［J］. Transactions of the Chinese Society of Agricul⁃
tural Engineering （Transation of the CSAE），2013，29
（7）：109-116.
［4］Malek，Salim，Bazi，Yakoub，Alajlan，Naif et al. Effi⁃
cient Framework for Palm Tree Detection in UAV Images
［J］. IEEE Journal of Selected Topics in Applied Earth
Observations and Remote Sensing，2014，7 （12） ：
4692-4703.
［5］ Tian Zhenkun，Fu Yingying，Liu Suhong，et al. Rapid
crops classification based on UAV low-altitude remote
sensing［J］. Transactions of the Chinese Society of Agricul⁃
tural Engineering （Transation of the CSAE），2013，29
（7）：109-116.
［6］Dey，S. ，Saha，I. ，Bhattacharyya，S. ，& Maulik，U.
Multi-level thresholding using quantum inspired me⁃
ta-heuristics［J］. Knowledge-Based Systems，2014，67，
373-400.
［7］Dirami，A. ，Hammouche，K. ，Diaf，M. ，& Siarry，P.
Fast multilevel thresholding for image segmentation
through a multiphase level set method［J］. Signal Process⁃
ing，2013，93（1）：139-153.
［8］Kurban，T. ，Civicioglu，P. ，Kurban，R. ，& Besdok，
E. . Comparison of evolutionary and swarm based on com⁃
putational techniques for multilevel color image threshold⁃
􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍
（上接第 843 页）
ter optimization for wheel condition detection of support
vector machine locomotives ［J］. Journal of Electronic
Measurement and Instruments， 2016， 30 （11） ：
1709-1717.
［12］戴远航，陈磊，张玮灵，等. 基于多支持向量机综合的
电 力 系 统 暂 态 稳 定 评 估［J］. 中 国 电 机 工 程 学 报 ，
2016，36（05）：1173-1180.
DAI Yuanhang，CHEN Lei，ZHANG Weiling，et al.
Transient stability assessment of power system based on
multi-support vector machines ［J］. Proceedings of the
第 47 卷
ing［J］. Applied Soft Computing，2014，23：128-143.
［9］LIU，Y. ，MU，C. ，KOU，W. ，& LIU，J. Modified parti⁃
cle swarm optimization-based multilevel thresholding for
image segmentation［J］. Soft Computing，2014：1-17.
［10］ Pérez-Ortiz，María，Gutiérrez，Pedro Antonio，Peña，
Jose Manuel et al. Unmanned aerial vehicles produce
high-resolution，seasonally-relevant imagery for classi⁃
fying wetland vegetation［J］. International Archives of
the Photogrammetry，Remote Sensing and Spatial Infor⁃
mation Sciences ISPRS Archives，2015（40）：249-256.
［11］Tian Zhenkun，Fu Yingying，Liu Suhong，et al. Rapid
crops classification based on UAV low-altitude remote
sensing［J］. Transactions of the Chinese Society of Agri⁃
cultural Engineering （Transation of the CSAE），2013，
29（7）：109-116.
［12］ J.Tomes-Sanchez，F. Lopez-Granados，J.M. Pena. An
automatic object-based method for optimal thresholding
in UAV images：Application for vegetation detection in
herbaceous crops［J］. Computers and Electronics in Ag⁃
riculture 2015（114）：43-52.
［13］Marcin Wozniak，Dawid Polap，Christian Napoli. Graph⁃
ic object feature extraction system based on Cuckoo
Search Algorithm［J］. Expert Systems With Applica⁃
tions，2016（66）：20-31.
［14］David A. Wood. Hybrid cuckoo search optimization algo⁃
rithms applied to complex wellbore trajectories aided by
dynamic，chaos-enhanced，fat-tailed distribution sam⁃
pling and metaheuristic profiling［J］. journal of Natural
Gas Science and Engineering，2016（34）：236-252.
［15］ VALIAN E，MOHANNA S，TAVAKOLI S. Improved
Cuckoo search algorithm for global optimization［J］. Int.
J. Comunications and Information Technology，2014，1
（1）：31-34.
CSEE，2016，36（05）：1173-1180.
［13］刘浩然，赵翠香，李轩，等. 一种基于改进遗传算法的
神经网络优化算法研究［J］. 仪器仪表学报，2016，37
（07）：1573-1580.
LIU Haoran，ZHAO Cuixiang，LI Xuan，et al. A study
of neural network optimization algorithm based on im⁃
proved genetic algorithm［J］. Chinese Journal of Scientif⁃
ic Instrument，2016，37（07）：1573-1580.
［14］Y LeCun，Y Bengio，G Hinton. Deep Learning［J］. Na⁃
ture，2015，521：436-444.