从互联网、移动互联网到云计算、大数据,再到机器学习、人工智能,十多年来,信息技术的日新月异不断改变着人们的生产与生活方式,新技术的迭代与数字化创新的浪潮推动着传统行业的变革。随着机器学习与人工智能的快速发展,社会逐步迈入智能化时代,一系列基于机器学习与人工智能的研究成果和智能化产品应运而生,如百度智能语音视觉机器人小度,谷歌智能围棋高手AlphaGo等等,由此形成的“人工智能+”新产业革命浪潮正在快速向各个领域渗透。本文将机器学习方法应用于羽毛球击球动作的分类与识别,并在此基础上构建了羽毛球技术特征统计与步伐训练系统,论文的主要创新工作和成果包括:(1)提出了一种羽毛球击球动作识别算法,并在此基础上实现了一套羽毛球动作实时识别系统。该系统采用固定在羽毛球拍柄尾端的单个加速度传感器进行羽毛球动作的数据采集,使用滑动窗口数据分割技术进行击球信号的提取,提出了动作分帧结合k-means等无监督式学习算法进行聚类特性评估和矢量量化。通过探索隐马尔可夫模型(HMM,Hidden Markov Model)的模型特点与算法训练方式,提出了一种改进HMM训练方式的模型算法用于识别常见的十种羽毛球击球动作,包括发球、正手搓球、反手搓球、正手扑球、反手扑球、正手推球、反手推球、正手挑球、反手挑球、正手高远。实验表明,本文所设计的算法模型系统可对十种常见的击球动作进行实时识别,改进HMM较传统HMM平均识别率提升了 6.4%,最终击球动作的综合识别率可达94%。(2)羽毛球技术特征统计与步伐训练系统的设计与实现。本文基于上述羽毛球动作识别算法及其它相关算法(如得分与失误评判算法、步伐还原算法等),构建了一套羽毛球技术特征统计与步伐训练系统,该系统实现了羽毛球比赛的技术统计和球员的步伐训练两大功能。其中技术统计主要包含球员的每个击球动作的得分与失误,各种击球动作的技术特征指标等信息;步伐训练则主要针对实战中常用的几种羽毛球被控步伐进行了定量分析与对比实验,实现了对运动员特定步伐的有针对性训练。系统测试实验表明,技术统计功能数据综合准确率为96.7%,球员步伐训练系统能准确测量球员的步伐信息且有助于快速提高球员的步伐水平。以上研究解决了从数据采集到算法编程的软硬件工程技术难题,提供一个羽毛球运动智能分析与辅助训练的功能平台,可以推广应用于更多的专业运动员和教练员,从而积累大量数据,提炼出更多符合羽毛球运动自身规律的技术指标参数,最终形成一套羽毛球运动智能分析与辅助训练专业产品。