基于马尔可夫模型的运动员体能训练效果评估方法

王华

摘 要：为了提高运动员体能训练效果评估能力，提出基于马尔可夫模型的运动员体能训练效果评估方法.构建运动员体能训练效果评价的实证分析模型，结合运动员体能训练效果评价的统计分析结果进行效果评价参数分析，采用力学参数分析方法模型，结合力学参数和统计分析方法进行运动员体能训练效果评估的约束参数分析，建立运动员体能训练效果评价参数的寻优模型，建立运动员体能训练爆发力的惯性力矩分布模型，结合模糊信息融合特征提取方法，进行运动员体能训练的力学特征分布式重构，进行运动员体能训练的效果自适应预测和评估，构建运动员体能训练效果评估的解释变量和控制变量模型，根据参数寻优结果进行运动员体能训练效果的优化评估，构建运动员体能训练效果评估的马尔可夫模型，根据马尔可夫模型的参数优化解析结果进行训练效果评估优化.仿真结果表明，采用该方法进行运动员体能训练效果评估的准确性较好，评价置信度水平较高.

关键词：马尔可夫模型;运动员;体能训练;效果评估

中图分类号：G846  文献标识码：A  文章编号：1673-260X（2020）03-0096-04

随着智能化体育训练技术的不断发展，采用智能数字化分析和量化分析方法，进行运动员体能训练效果评价，结合参数寻优和大数据分析技术，构建运动员体能训练效果评估的大数据分析模型[1]，结合大数据信息融合方法，提高运动员体能训练效果评估的准确性，研究运动员体能训练效果评估模型，在促进运动员体能训练效果的优化方面具有重要意义，相关的运动员体能训练效果评估模型研究受到人们的极大重视.结合大数据信息分析方法，进行运动员体能训练评估，分析运动员体能训练大数据分布关联集[2]，结合融合性特征分析方法，进行运动员体能训练效果评估方法优化，本文提出基于马尔可夫模型的运动员体能训练效果评估方法.构建运动员体能训练效果评价的实证分析模型，结合运动员体能训练效果评价的统计分析结果进行效果评价参数分析，构建运动员体能训练效果评估的解释变量和控制变量模型，根据参数寻优结果进行运动员体能训练效果的优化评估，构建运动员体能训练效果评估的马尔可夫模型，根据马尔可夫模型的参数优化解析结果进行训练效果评估优化，最后进行仿真测试分析，得出有效结论.

1 运动员体能训练效果信息采样和特征分析

1.1 运动员体能训练效果评估统计信息采样

为了实现基于马尔可夫模型的运动员体能训练效果评估模型优化设计，采用大数据特征分析方法进行运动员体能训练效果的自适应寻优，建立运动员体能训练效果评估的自适应融合参数分析模型，采用大数据分析和特征调度的方法进行运动员体能训练效果评估的大数据信息采样，结合统计信息挖掘方法进行运动员体能训练效果评估[3]，把运动员体能训练效果评估的等级x（0）划分为N个等级，为x（1），x（2），…，x（N），即x（0）=x（i），采用相似度特征分析方法进行运动员体能训练效果评估的统计分析和优化评估，采用多元回归检验分析方法，建立训练效果评估的模糊约束参量分析模型，采用模糊统计分析和量化博弈方法，进行运动员体能训练效果评估的自适应学习[4]，建立运动员体能训练效果评估的量化分析模型，得到运动员体能训练效果评估的统计函数为：

上式表示为运动员体能训练效果评估的自适应参数分布集，采用相关性融合聚类分析方法，建立运动员体能训练效果评估的标准正态分布函数[5]，？棕为运动员体能训练效果评估的统计特征分布的惯性权重，采用均匀信息融合的方法，进行运动员体能训练效果评估的量化分析，建立运动员体能训练效果评估的约束参量集RN与XN的关联分布关系为：

结合自相关特征匹配方法进行运动员体能训练的融合性处理，提高运动员体能训练效果评估的自适应性.

1.2 训练效果评估的信息融合

结合力学参数的统计分析和大数据采样的方法，进行运动员体能训练的力学参数大数据融合处理[6]，运动员体能训练效果的描述性统计序列{x（t0+i？驻t）}，i=0，1，…，N-1，运动员体能训练的优化特征参数寻优量化集为：

构建基于肌体耐力和爆发力特征联合分析的运动员体能训練效果评估模型，并结合统计数据进行和大数据采样的方法[7]，进行运动员体能训练的效果评价参数分析，建立运动员体能训练效果评估的模糊参量融合模型，构建大运动员体能训练效果评估的统计分析模型的表达式为：

令f（si）=（f（x1），f（x2），…，f（xn）），采用力学传感器，进行运动员体能训练爆发力物理数据采集，得到参数分布模型为P（ni）={pk|prkj=1，k=1，2，…，m}，进行运动员体能训练效果评估的关联调度和模糊度特征分析，建立运动员体能训练爆发力的惯性力矩分布模型，结合模糊信息融合特征提取方法，进行运动员体能训练的力学特征分布式重构，运动员体能训练的力学特征分布如下式：

式中，？姿表示运动员体能训练效果评估的大数据模糊度分布因子，为运动员体能训练效果评估的统计特征分量，？棕w为自适应加权系数，构建运动员体能训练效果评估的信息优化融合模型，结合力学参数分析方法，进行运动员体能训练效果评估优化[8].

2 训练效果评估模型优化实现

2.1 运动员体能训练效果评估的力学参数分析

本文提出基于马尔可夫模型的运动员体能训练效果评估方法.构建运动员体能训练效果评价的实证分析模型，进行运动员体能训练效果的评估的参数分析[9]，得到体能训练效果评估的模糊性调度函数为：

式中，Xj（t）为第t次迭代后运动员体能训练效果评估的模糊规则集，构建模糊子空间调度模型进行运动员体能训练效果评估的输出稳定性控制，给出运动员体能训练效果评估的模糊度函数为：

上式中，运动员体能训练效果评估的关联规则分布函数为Mh，建立运动员体能训练的力学参数分析模型，得到优化的力学分布数据集：

其中，運动员体能训练效果评估统计大数据集合中含有n个样本，样本xi，i=1，2，…，n，结合马尔科夫模型，得到运动员体能训练效果评估的量化关系为：

结合运动力学特征分析方法，建立运动员体能训练爆发力的输出特征方程为：

运动员体能训练效果评估预测函数为：

综上分析，实现运动员体能训练效果优化设计，提高评估的自适应性和准确性.

2.2 运动员体能训练效果评估输出

运动员体能训练爆发力在支撑坐标系Oxyz中的旋转惯性参数为（xa，0），各肢体中进行运动员体能训练爆发力的质心Gi（xi，zi），在质心Gi（xi，zi）中，进行运动员体能训练爆发力的特征分解，运动员体能训练力学参数的模糊计算式为：

其中Newi′=（ei′，1，ei′，2，…，ei′，D），表示运动员体能训练效果评估的分布式调度集，采用惯性输出稳定性调节理论，在运动员体能训练爆发力作用模式下，用？兹i（i=1，2，…，6）表示运动员体能训练爆发力的力学稳态控制特征量，从而有：

根据上述，用M表示下肢质量矩阵，用向量G表示运动员体能训练的人体运动力学特征矢量，进行运动员体能训练效果的分段检验，检验规则为：

构建运动员体能训练效果评估的大数据融合聚类分析模型，建立统计分析函数集，结合运动员体能训练爆发力学特征演化分析方法，实现体能训练效果的线性拟合，优化的拟合式为：

其中，Xmax，Xmin分别为最大评估阈值和最小阈值.根据参数寻优结果进行运动员体能训练效果的优化评估，构建运动员体能训练效果评估的马尔可夫模型，根据马尔可夫模型的参数优化解析结果进行训练效果评估优化[10].

3 仿真测试分析

为了验证本文方法在实现运动员体能训练效果中的应用性能，进行仿真测试分析，采用SPSS 14.0统计分析软件进行运动员体能训练效果的约束参数分析和统计分析，采用力学传感器进行运动员体能训练效果评估的物理信息采集，体能训练效果评估的统计分析结果见表1.

根据表1对运动员体能训练效果评估的描述性统计分析结果，进行运动员体能训练效果评估，得到运动员体能训练的力学参数采集结果如图1所示.

以图1的运动员体能训练的力学参数采集结果，进行运动员体能训练效果评估，得到评估的优化输出如图2所示.

分析图2得知，本文方法进行运动员体能训练效果评估的准确性较高，特征跟踪性能较好，测试评估的置信度，得到对比结果如图3所示，分析图3得知，本文方法进行运动员体能训练评估的精度较高.

4 结语

本文提出基于马尔可夫模型的运动员体能训练效果评估方法.结合力学参数的统计分析和大数据采样的方法，进行运动员体能训练的力学参数大数据融合处理，进行运动员体能训练效果评估的关联调度和模糊度特征分析，建立运动员体能训练爆发力的惯性力矩分布模型，结合模糊信息融合特征提取方法，进行运动员体能训练的力学特征分布式重构，构建运动员体能训练效果评估的解释变量和控制变量模型，根据马尔可夫模型的参数优化解析结果进行训练效果评估优化.分析得知，本文方法进行运动员体能训练效果评估的准确性较好，评价置信度水平较高，有效指导训练效果.

参考文献：

〔1〕LI C F， ZHU G C， WU X J， et al. False-positive reduction on lung nodules detection in chest radiographs by ensemble of convolutional neural networks[J]. IEEE Access， 2018， 6（99）：16060-16067.

〔2〕胡海旭，刘文武，柳鸣毅.现代夏季奥运会早期运动训练理论与方法形成及特征[J].北京体育大学学报，2016，39（10）：121-127.

〔3〕宋广侠，吴江涛.刺五加提取物对无氧运动训练效果的影响[J].华侨大学学报（自然科学版），2015，36（05）：558-562.

〔4〕刘甲爽.灵芝多糖对运动员运动训练效果及免疫功能影响研究[J].内蒙古师范大学学报（自然科学汉文版），2016，45（01）：71-75.

〔5〕胡洋洋，吴卫兵，李家海，陶卫军.新型腰背部运动训练系统及其效果检测[J].南京理工大学学报，2016，40（06）：734-739.

〔6〕LI W， CAO P， ZHAO D Z， et al. Pulmonary nodule classification with deep convolutional neural networks on computed tomography images[J]. Computational and Mathematical Methods in Medicine， 2016， 2016：6215085.

〔7〕DING J， LI A X， HU Z Q， et al. Accurate pulmonary nodule detection in computed tomography images using deep convolutional neural networks[C]//Proceedings of the 2017 International Conference on Medical Computing and Computer-Assisted Intervention. Berlin：Springer， 2017：559-567.

〔8〕Z ZHANG Chaohua， LI Lianhe，YUN Guohong. Study on moving dislocations in decagonal quasicrystals[J]. Chinese Journal of Solid Mechanics， 2017，38（2）： 165-169.

〔9〕ZHANG Wei，WANG Zhijie. Research on Join Operation of Temporal Big Data in Distributed Environment[J]. Computer Engineering， 2019， 45（3）： 20-25，31.

〔10〕GOLDBERG Y.A primer on neural network models for natural language processing[J].Journal of Artificial Intelligence Research，2016，57（1）：345-420.