论文部分内容阅读
摘 要：为研究人工神经网络模型对成绩预测的效果，建立人工神经预测模型，对铅球运动员的成绩进行评估和预测。结果表明：该模型克服了多元回归模型和灰色模型需要事先确定数学模型的缺点，更为准确地映射出运动员素质训练指标与专项运动成绩之间的函数关系，从而更精确地预测出铅球运动员的专项成绩。
关键词：铅球运动员；专项成绩；神经网络；预测模型
中图分类号：G804．2 文献标识码：A 文章编号：1007—3612(2006)04—0486—03
人工神经网络(Artificial Neutral Networks，简称ANN)是由大量简单的基本元件——神经元相互连接，模拟人的大脑神经处理信息的方式，进行信息并行处理和非线性转换的复杂网络系统。本文通过相关分析，确定与运动员专项成绩高度相关的素质训练指标。然后利用人工神经网络强大的函数映射能力，在不需要事先确定预测模型的数学表达形式的条件下，通过神经网络对训练样本的学习，建立起铅球运动员专项成绩的预测模型。该模型如实反映了运动员专项成绩与素质训练指标之间的映射关系，显示出很高的预测精度。
1 研究对象与方法
1．1 研究对象 李梅菊，女，25岁，身高1．73 cm，体重92 kg，1995年师从何增生练习铅球，曾经获世界少年冠军和首届世界青年运动会冠军。个人最好成绩是18．96 m。1996—2001年，她的素质训练水平和铅球专项成绩见表1。
以李梅菊1996—2001年的专项成绩与素质训练水平作为历史样本，分析该运动员的专项成绩与素质训练指标之间的相关关系，建立起运动员专项成绩的预测模型。在此预测模型的基础上，对2002，2003年的专项成绩进行了预测。
1．2 研究方法 人工神经网络(Artificial Neural Network—ANN)是为模仿人脑的工作方式而设计的一种机器，是一种具有分布式存储、平行处理和自适应学习的信息处理系统。从20世纪80年代以来神经网络的理论研究已逐步走向成熟，并在许多应用领域中取得了丰硕的成果。
人工神经网络有两种网络拓扑结构，即前馈型网络和反馈型网络。其中前馈型网络主要是函数映射，用于模式识别和函数逼近。已经证明多层前馈网络(图1)可以逼近任何一个连续函数，也就是说采用多层前馈网络来建立运动员专项成绩的预测模型可以拟合专项成绩、素质训练指标之间的任何一种函数关系，真正反映出它们的内在特征，从而克服多元回归模型和灰色模型的不足。
关键词：铅球运动员；专项成绩；神经网络；预测模型
中图分类号：G804．2 文献标识码：A 文章编号：1007—3612(2006)04—0486—03
人工神经网络(Artificial Neutral Networks，简称ANN)是由大量简单的基本元件——神经元相互连接，模拟人的大脑神经处理信息的方式，进行信息并行处理和非线性转换的复杂网络系统。本文通过相关分析，确定与运动员专项成绩高度相关的素质训练指标。然后利用人工神经网络强大的函数映射能力，在不需要事先确定预测模型的数学表达形式的条件下，通过神经网络对训练样本的学习，建立起铅球运动员专项成绩的预测模型。该模型如实反映了运动员专项成绩与素质训练指标之间的映射关系，显示出很高的预测精度。
1 研究对象与方法
1．1 研究对象 李梅菊，女，25岁，身高1．73 cm，体重92 kg，1995年师从何增生练习铅球，曾经获世界少年冠军和首届世界青年运动会冠军。个人最好成绩是18．96 m。1996—2001年，她的素质训练水平和铅球专项成绩见表1。
以李梅菊1996—2001年的专项成绩与素质训练水平作为历史样本，分析该运动员的专项成绩与素质训练指标之间的相关关系，建立起运动员专项成绩的预测模型。在此预测模型的基础上，对2002，2003年的专项成绩进行了预测。
1．2 研究方法 人工神经网络(Artificial Neural Network—ANN)是为模仿人脑的工作方式而设计的一种机器，是一种具有分布式存储、平行处理和自适应学习的信息处理系统。从20世纪80年代以来神经网络的理论研究已逐步走向成熟，并在许多应用领域中取得了丰硕的成果。
人工神经网络有两种网络拓扑结构，即前馈型网络和反馈型网络。其中前馈型网络主要是函数映射，用于模式识别和函数逼近。已经证明多层前馈网络(图1)可以逼近任何一个连续函数，也就是说采用多层前馈网络来建立运动员专项成绩的预测模型可以拟合专项成绩、素质训练指标之间的任何一种函数关系，真正反映出它们的内在特征，从而克服多元回归模型和灰色模型的不足。