体育成绩测试中BP神经网络的应用分析

贾西栋

(安康学院，体育学院，陕西，安康 725000)

0 引言

人工神经网络采用一种基于计算机科学的学习方法，能够对人类大脑处理问题的方法进行模拟。与人脑类似，人工神经网络也由众多神经元构成，处理问题过程中依靠神经元之间相互作用。与传统的计算机算法相比，人工神经网络算法能够在不需要获取数据分布和变量关系的情况下，对具有复杂非线性关系的输入和输出关系进行动态处理[1-5]。

反向传播(BP)神经网络算法是一种前馈网络，利用误差反向传播修改参数。BP神经网络的主要架构包括输入层、隐藏层和输出层。不同层的神经元之间相互连接，但处于同一层的神经元之间没有连接。在每一层的神经元接收到上一层神经元的输入后，处理过后只将结果输出到下一层，并不对上一层进行反馈。BP神经网络处理问题时具有正向传播和反向传播2个过程。正向传播是由输入层输入信息，依次进入隐含层和输出层。若输出结果正确，则不进入此反向传播过程；否则，以计算误差为基准进入输出层、隐含层和输入层的反向传播过程。

BP神经网络算法应用十分广泛，尤其是在经济预测领域的相关研究众多[6-7]。近年来，BP神经网络算法也被应用到了体育成绩测试中，例如王宗平和孙光[8]利用BP神经网络算法对1990-1997年间200 m男子仰泳的全国记录进行预测，并于实际结果进行了对比，预测结果较为准确。本文也将BP神经网络算法应用到了体育成绩测试方面，并以3 000 m长跑为例进行实例研究。

1 BP神经网络的构建

本文所设计的BP神经网络系统的算法流程如图1所示。

图1 BP神经网络算法流程图

φ(x)为系统的激活函数，本文采用sigmoid函数，即

(1)

输入层输入的向量为[0,1]范围内的值。

在给定了初始参数后，在输入层输入输入向量和目标输出向量，并对其进行标准化。标准化的目的是对输入向量进行去误差函数或去对数，方法如式(2)。

(2)

2μ+ν=1

然后将标准化的输入向量依次输入到隐含层。输出结果和标准结果进行对比，若输出结果与标准结果相同，则计算结束；若不同，则进行隐含层误差的计算，进行反向传播过程，修改权值。然后再接受下一个输入。

2 关键技术的实现

本文采纳的BP神经网络是基于MATLAB构建的，主要包括模型设计、训练和仿真3个部分，分别对应的函数为前反馈网络创建函数newff、训练函数train和仿真函数sim。本BP神经网络构建的代码如下，

net=newff(x,y,[31,31,2],{'tansig','tansig','purelin'},'traingdx');

%神经网络训练参数

……

net.train Param.show=10;

net.train Param.epochs=50 000;

net.train Param.goal=0.65*10^(-11);

net.train Param.lr=0.001;

……

%神经网络训练函数

……

net=train(net,x,y);%训练函数

……

predresult=sim(net,x)

……

其中，前网络反馈函数newff定义了输入数据为x，newff输出函数为y，隐含层和输出层函数均为tansig函数，训练函数为pureline函数，验证数据划分函数为traingdx，其3个设置参数为31、31、2；利用训练函数对训练过程参数进行了定义，训练时间间隔，最大训练次数，目标误差和学习速率分别为10，50 000，0.65×10-11和0.001；预测函数sim定义了输入到网络的矩阵x和输出矩阵y。其中，x为K×N，y为Q×N，N为数据样本个数，K和Q分别为输入个数和输出个数。

3 运动员身体状况与成绩的关系

运动员的表现由其身体综合状况决定的，在实际研究中很难对其某一项健康指标对其成绩的影响进行研究。本文利用所构建的BP神经网络对运动员身体素质单一指标与其3 000 m长跑的成绩之间的关系进行了研究。首先研究了其晨脉与成绩之间的关系，如图2所示。在15天的数据样本内，运动员的晨脉若较为稳定，则其3 000 m长跑的成绩也较为稳定，甚至有逐渐提升的趋势；但若其晨脉处于不稳定期间，晨脉每分钟跳动次数增加，会导致运动员的成绩不稳定，甚至出现明显下降的现象。分析其原因，可能是由于运动员前一天的运动量过大，导致其晨脉出现了不稳定的情况，进一步导致了其在之后的训练中体力和身体状态未处于完美状态，所以在之后的训练中成绩下降较为明显。

图2 运动员晨脉与成绩的关系

本文利用所构建的BP神经网络对运动员血压与其3 000 m长跑的成绩之间的关系进行了研究，如图3所示。在15天的数据样本内，运动员的血压与其成绩之间的关系较为密切。测试结果表明，当运动员的收缩压和舒张压都处于较低状态时，相应的成绩则较差，则需要对运动员的训练计划进行调整，使其血压恢复到正常状态；相对来说，若收缩压相对较高，舒张压较低时，运动员的长跑成绩则较好。运动员的血压状态处于临界值时，其身体状态一般处于最佳状态，此时所取得的体育成绩也一般为最佳成绩。

图3 运动员血压与成绩的关系

本文利用所构建的BP神经网络对运动员血氧含量与其3 000 m长跑的成绩之间的关系进行了研究，如图4所示。在15天的数据样本内，运动员的血氧含量与其成绩之间的关系也较为密切。测试结果表明，当运动员的血氧含量处于较为稳定的状态下时，如第1-5天内，运动的成绩则出现逐渐提高的趋势；而血氧含量出现了波动后，运动的成绩则相应出现滞后性的相同波动趋势。当前一天运动员的血氧含量提高，则次日其3 000 m长跑成绩也相应提高；若前一天运动员的血氧含量降低，则次日其3 000 m长跑的成绩也相应降低。

图4 运动员体重与成绩的关系

4 运动员成绩的预测研究

为了验证本BP神经网络模型对运动员体育成绩测试的准确性，本文以5名运动员为样本，将其身体各项指标作为输入向量，对他们的成绩进行预测，预测结果如表1所示。实验结果表明，利用本文所建立的BP神经网络模型对运动员体育成绩的仿真结果较为准确。在5次实验中，4次实验的误差值小于0.2 min，最大误差为0.4 min，最小误差为0.1 min，平均误差仅为0.18 min。也就是说，所构建的BP神经网络模型在运动员体育成绩预测中准确度较高。从而上文所得到的运动员晨脉、血压和血氧含量对其3 000 m长跑的影响结论也具有较高的准确度和可信度。

表1 体育成绩预测结果

5 总结

本文建立一种BP神经网络模型，并对其计算流程和计算代码进行了介绍。将该神经网络模型运用到运动员3 000 m长跑成绩测试中发现，该模型对运动员成绩的仿真结果具有较高的准确性。通过对单一健康指标与体育成绩之间关系的研究发现，运动员的晨脉、血压和血氧饱和度均对其3 000 m长跑成绩有所影响，当晨脉处于较为稳定状态、血压处于临界状态、血氧饱和度处于较为稳定状态下时，运动员的身体状态较好，相应的3 000 m长跑成绩也较为稳定，且出现持续提高的趋势。