[發明專利]通過機器學習構建球員帶球關系的方法、裝置及系統

有效

• 申請號: 201810978562.1
• 申請日: 2018-08-27
• 公開（公告）號: CN109165686B
• 公開（公告）日: 2021-04-23
• 發明（設計）人: 嚴煒;孟建
• 申請（專利權）人: 成都精位科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N20/00
• 代理公司: 北京超凡志成知識產權代理事務所(普通合伙) 11371
• 代理人: 鄧超

1.一種通過機器學習構建球員帶球關系的方法，其特征在于，應用于超寬帶定位系統，所述超寬帶定位系統包括多個定位基站、多個球員標簽和至少一個足球標簽，所述超寬帶定位系統通過所述定位基站確定所述球員標簽和足球標簽的位置坐標，該通過機器學習構建球員帶球關系的方法包括：

分別確定所述球員標簽和足球標簽的位置坐標數據；

根據所述球員標簽和足球標簽的位置坐標數據，確定每個時刻距離所述足球標簽最近的球員標簽；

根據每個時刻距離所述足球標簽最近的球員標簽，建立帶球數據的數學模型，其中，所述根據每個時刻距離所述足球標簽最近的球員標簽，建立帶球數據的數學模型的步驟，包括：

構建每個球員的帶球函數y＝F(x)，其中，x表示球員與足球之間處于帶球狀態或者非帶球狀態；

根據所述帶球函數，建立所述球員在n時刻的帶球數據的數學模型F_n為：

F_n＝∑α_iF_i(x_i)，其中，i＝n-1,n-2,…,0；F_i(x_i)表示球員在第i時刻的帶球函數，α_i為表示第i時刻的帶球函數所對應的權值；

通過拉格朗日插值法來對所述帶球數據進行平滑處理，以過濾掉所述帶球數據中的噪點數據；

根據過濾掉所述噪點數據后的帶球數據對所述帶球數據的數學模型進行更新，得到更新后的帶球數據的數學模型P_n(x_i)為：

P_n(x_i)＝P_n-1(x_i)+β(F_n-1-P_n-1(x_i))，其中，F_n-1為所述帶球數據的數學模型，β為平滑常數；

通過預設機器學習算法，校準所述更新后的帶球數據的數學模型。

2.根據權利要求1所述的通過機器學習構建球員帶球關系的方法，其特征在于，根據所述球員標簽和足球標簽的位置坐標數據，確定每個時刻距離所述足球標簽最近的球員標簽的步驟包括：

將所述位置坐標數據轉換為數據矩陣；

建立與每個球員標簽對應的球員矩陣，所述球員矩陣包括與每個所述球員的位置坐標數據對應的時間戳及坐標數據；

建立與所述足球對應的足球矩陣，所述足球矩陣包括與所述足球的位置坐標數據對應的時間戳、橫坐標數據及立坐標數據；

根據所述球員矩陣和足球矩陣，計算每個時刻每個所述球員與所述足球的距離；

根據預設函數確定每個時刻距離所述足球標簽最近的球員標簽。

3.根據權利要求2所述的通過機器學習構建球員帶球關系的方法，其特征在于，根據所述球員矩陣和足球矩陣，計算每個時刻每個所述球員與所述足球的距離采用以下公式計算：

其中，σ為所述球員與所述足球的距離；s1為每個時刻所述球員的橫坐標信息與所述足球的橫坐標信息的差值；s2為每個時刻所述球員的立坐標信息與所述足球的立坐標信息的差值。

4.根據權利要求2所述的通過機器學習構建球員帶球關系的方法，其特征在于，根據預設函數確定每個時刻距離所述足球標簽最近的球員標簽的步驟包括：

對通過所述球員矩陣和足球矩陣計算得到的每個時刻每個所述球員與所述足球的距離構成的矩陣中，每行數據取最小值，得到每個時刻距離所述足球標簽最近的球員標簽。

5.根據權利要求1所述的通過機器學習構建球員帶球關系的方法，其特征在于，通過預設機器學習算法，校準所述更新后的帶球數據的數學模型的步驟包括：

將所述更新后的帶球數據的數學模型的值作為訓練樣本通過監督學習建立分類器；

將所述帶球數據的數學模型的值作為測試樣本利用所述分類器進行分類，校準所述更新后的帶球數據的數學模型。

6.根據權利要求1所述的通過機器學習構建球員帶球關系的方法，其特征在于，所述超寬帶定位系統還包括運維平臺，所述運維平臺用于記錄比賽現場的比賽數據。