[發明專利]一種基于PCA-PNN的游泳運動員訓練負荷預測方法

有效

• 申請號: 202010327148.1
• 申請日: 2020-04-23
• 公開（公告）號: CN111672082B
• 公開（公告）日: 2021-06-25
• 發明（設計）人: 田磊;周近
• 申請（專利權）人: 江蘇第二師范學院（江蘇省教育科學研究院）
• 主分類號: A63B69/12
• 分類號: A63B69/12;G06N3/04;G06N3/08
• 代理公司: 南京眾聯專利代理有限公司 32206
• 代理人: 蔣昱

1.一種基于PCA-PNN的游泳運動員訓練負荷預測方法，具體步驟如下，其特征在于；

Step1：特征指標選取和數據庫構建；

從三個方面去選取負荷預測模型的特征指標，分別是游泳運動員的基本信息數據、訓練數據以及生理生化數據，數據源于國家級游泳運動中心的訓練分析系統，訓練員將運動員的特征信息和訓練負荷評價實時上傳至MYSQL數據庫進行存儲，在挑選樣本集時，首先需要刪減掉無用數據，以訓練數據的運動員ID、訓練日期為依據，如果MYSQL數據庫的其他數據出現缺失項，則放棄這系訓練數據，樣本集的每一個樣本的可以表示為維度為21的特征輸入向量，每個特征向量對應的訓練負荷的分級，分別為訓練量過大，訓練量過小，訓練量適中；游泳運動員的基本信息數據有5個，具體如下分別是身高、體重、年齡、性別和體質指數，其中性別采用實數編碼的形式，男性為0，女性為1； 游泳運動員的訓練數據方面有5個，具體如下分別為最大攝氧量，游泳時長，訓練項目類型，腿部擺數和手部擺數。游泳運動員的生理生化數據方面有11個，具體如下分別是血氧飽和度、尿PH值、尿蛋白、尿膽原尿膽素、白細胞數、血紅蛋白、血小板、紅細胞數、尿素氮、肌酸激酶和睪酮；

Step2：主成分分析構建PNN網絡輸入量；

構建主成分分析法PCA，以消除各指標間的相關性，具體方法為：

Step2.1根據樣本集構建原始游泳運動員指標矩陣為X，其中x_ij為第i個運動員特征樣本的第j個指標，m為總樣本數量，n為運動員特征數量，n＝21。

Step2.2將數據標準化：首先計算各個運動員特征指標的均值和標準差然后計算標準化后的指標矩陣中每個元素

Step2.3計算各特征指標間的相關系數矩陣R，

其中r_uv為第u個特征指標和第v個特征指標的相關系數，

Step2.4計算相關矩陣R的特征值為λ₁,λ₂,…,λ_n，滿足λ_f≥0(f＝1,2,…n)，特征值對應的單位化特征向量記為p₁,p₂,…,p_n，選取前s個主成分作為表征游泳運動員的綜合指標，則有第i個運動員特征樣本的綜合指標向量；

T_is＝(y_i1,y_i2,…,y_is)＝(x_i1,x_i2,…,x_in)[p₁,p₂,…,p_s]，其中y_i1,y_i2,…,y_is第i個運動員特征樣本的s個綜合指標；

Step3：構建PNN游泳運動員訓練負荷預測模型；

所構建的PNN游泳運動員訓練負荷預測模型由輸入層、隱含層、累加層和輸出層構成，輸入層接受PCA提取出待預測的運動員特征樣本的綜合指標向量T_s為輸入向量X^*；

隱含層的神經元節點擁有一個中心，該層接收輸入層的樣本輸入，計算輸入向量與中心的距離，最后返回一個標量值，神經元個數與輸入訓練樣本個數相同，即為總訓練樣本數量m，向量X^*輸入到隱含層中第i類類型的第j神經元所確定的輸入/輸出關系表達式為

其中，i＝1,2,3分別表示運動員負荷預測的三個類型，d為樣本空間數據的維數，X_ij^*為第i類樣本的第j個中心，σ為平滑因子；

累加層的主要作用是線性求和、加權平均，將隱含層中同一類別的神經元的輸出做加權平均，該層神經元數目與樣本類型總數相同，神經元的個數為3，每個神經元分別對應一種運動員負荷預測類別，累加層與隱含層神經元建立連接關系的前提條件是兩者屬于同一類型；

式中，P_h為第h類類別的輸出，h＝1,2,3；

輸出層由競爭神經元構成，神經元個數與訓練樣本類型總數相同，神經元的個數為3，每個神經元分別對應一種運動員負荷預測類別，同時也對應累加層神經元節點，用于為累加層的輸出做臨界值判別，將輸出層內具有最大后驗概率密度的神經元輸出為1，其余輸出為0，即可以得到游泳運動員訓練負荷預測類型結果。