CC BY
52МЕТОДИКА ОПРЕДЕЛЕНИЯ СТАРТОВОГО СОСТАВА ИГРОКОВ В КОМАНДЕ ВЫСОКОКВАЛИФИЦИРОВАННЫХ ВОЛЕЙБОЛИСТОВ
Брежнев А.М., Зезюлин В.Т., Брежнев Т. А., Зезюлин С.В.
Технологический институт Восточно-Украинскогонационального университета имени Владимира Даля (г.
Северодонецк)
Аннотация. В работе представлена методика определения стартового состава игроков на предстоящую игру на основе прогноза эффективности выполнения ими технических действий. Прогноз выполняется с помощью искусственной нейронной сети с обратным распространением ошибки. Для прогнозирования спортивных результатов с использованием нейронной сети необходимы оценки их действий только за предыдущие две игры. Статистические методы требуют большой выборки данных.
Ключевые слова: волейбол, нейронная сеть, прогноз, оценка
Анотація. Брежнєв О.М., Зезюлін В.Т., Брежнєв Т.О., Зезюлін С.В. Методика визначення стартового складу гравців в команді висококваліфікованих волейболістів. В роботі надано методику визначення стартового складу гравців на наступну гру на підставі прогнозу ефективності виконання ними технічних дій. Прогноз виконується за допомогою штучної нейронної мережі зі зворотним розповсюдженням помилки. Для прогнозування спортивних результатів з використанням нейронної мережі необхідні оцінки їхніх дій тільки за попередні дві ігри. Статистичні методи вимагають великої вибірки даних.
Ключові слова: волейбол, нейронна мережа, прогноз, оцінка.
Annotation. Bregnev A.M., Zezyulin V.T., Bregnev T.A., Zezyulin S.V. Method of definition of starting structure of players in a command of volleyball. In article the method of definition of starting structure of players on forthcoming game on the basis of the forecast of efficiency of technical actions is presented. The forecast is carried out by means of an artificial neural network with back propagation of error. Assessments of their actions are necessary for forecasting sports results with use of a neuronic web only for the previous two plays. Statistical methods demand the big sample of datas.
Keywords: volleyball, neural network, forecast, estimation.
Введение.
На степень готовности спортсмена к игре оказывают влияние различные факторы физиологические, психологические, биомеханические и многие другие. Все факторы вносят свой вклад в результативность игры отдельного спортсмена и команды в целом. Модели спортсмена, которая учитывала бы все эти факторы и позволяла прогнозировать его результативность в будущихиграх, в известной литературе не обнаружено Но объективно полной оценкой готовности спортсмена к игре является оценка результативности технических действий, выполненных в процессе игры. Именно поэтому прогноз результативности спортсменов базируется на его предыдущих достижениях [1].
Чаще всего для прогнозирования результативности спортсменов используются традиционные методы анализа и прогнозирования временных рядов [2]. Особенностью этих методов является то, что они используют равноотстоящие результаты замеров. Однако, график проведения игр чемпионата Украины не соответствует этому требованию: игры проводятся в два круга со следующей периодичностью: два игровых дня и подготовительный тренировочный период - 4-5 дней. В конце чемпионата для тройки призеров проводится дополнительный круг из 4 игр. Прогноз результативности волейболистов позволяет тренеру объективно определить стартовый состав команды
Работа выполнена по плану НИР Технологического института Восточно-Украинского национального
университета имени Владимира Даля.
Формулирование целей работы.
Целью данной работы является выбор методики оценивания технических действий и определение методики прогнозирования спортивных результатов, который использует неравноотстоящие замеры эффективности игры волейболистов.
Результаты исследования.
На момент проведения исследований в литературе были описаны две методики оценивания технических действий - методика, разработанная в Луганском национальном педагогическом университете [3] и в технологическом институте Восточно-Украинского национального университета имени Владимира Даля (г. Северодонецк) [4].
Анализ показал, что предпочтение следует отдать методике оценивания технических действий, разработанной в технологическоминституте (г. Северодонецк) [4], по следующим причинам:
- большая детализация видов технических действий - выделено 7 различных технических действий:
1) подача - обычная, укороченная планирующая, силовая, в прыжке;
2) прием - снизу, сверху;
3) передача стоя - высокая, средняя, «прострел», «взлет», «зона», из-за головы, в комбинации, доигрывание, задняя линия;
4) передача в прыжке - высокая, средняя, «прострел», «взлет», «зона», из-за головы, в комбинации, доигрывание, задняя линия;
5) нападающий удар - высокий, доигрывание, в комбинации, «прострел», «взлет», «зона», «волна», с одной ноги, с задней линии, с переводом;
6) блокирование - одиночное, групповое, «ловящее», «зонное»;
7) игра в защите - сверху, снизу, в падении;
- четкая градация качества выполнения каждого технического действия с привязкой к количественной шестибальной шкале;
- наличие формул для расчета интегральных показателей эффективности и качества игры, как каждого игрока, так и команды в целом.
Кроме того, другим фактором, определившим выбор методики оценивания, явилось наличие специализированного программного обеспечения под условным названием «Тренер», которое реализует описанную методику [4]. Программа «Тренер» предназначена для автоматизации процедуры разбора игры, определения оценок и расчета показателей качества выполнения технических действий игроками волейбольной команды Программа обеспечивает выполнение следующих функций:
- задание и корректировкуданных об игроках каждой команды;
- ведение базы волейбольных команд;
- интерактивный разбор и оценку технических действий игроков одной или двух участвующих в игре команд;
- сопоставление фрагментов видеосъемки отдельным техническим действиям;
- формирование, предварительный просмотр и печать отчетов об оценках и коэффициентов качества игры, как по отдельному игроку, так и по команде в целом;
- сохранение результатов разбора и ведение базы проведенных разборов игр.
Для каждого технического действия определяются: вид действия, его результат; значение оценки, вектор направления полета мяча и параметры видеофрагмента, содержащего запись этого действия. Встроенный медиаплеер позволяет запускать и приостанавливать просмотр всей видеозаписи или воспроизводить только заданный фрагмент. Пробная эксплуатация программы показали, что детальность и объективность разбора игры повышается в 3-5 раз.
Для решения поставленной задачи по определению стартового состава игроков на основе прогноза степени их готовности к предстоящей игре были привлечены новые научные методы под общим названием data mining, хорошо зарекомендовавшие при решении подобных проблем [5,6]. С помощью методов data mining решаются следующие задачи: классификация, кластеризация, прогнозирование, ассоциация, установление закономерностей, анализ отклонений.
Для прогнозирования спортивных результатов волейболистов предлагается использовать многослойную нейронную сеть (НС) обратного распространения. Способом обратного распространения (back propagation) называется способ обучения многослойных НС. В таких НС связи между собой имеют только соседние слои, при этом каждый нейрон предыдущего слоя связан со всеми нейронами последующего слоя На рисунке 1 приведена структура НС.
Скрытые слои
Рисунок 1- Структура сети обратного распространения: х1 - входные значения; - весовые коэффициенты; у - выходные значения.
НС работает в двух режимах: обучение и прогнозирование Обучение проводится на базе оценок технических действий волейболистов в предыдущих двух играх: оценки за позапрошлую игру используются как входные значения, а за прошлую - как выходные значения НС. В таблицах 1 и 2 для формирования обучающих образцов и тестовых данных использованы оценки технических действий волейболистоккоманды «Северодончанка» в трех играх, проведенных подряд.
Таблица 1.
ФИО Амплуа «Г аличанка»(Т ернополь) «Джинестра»(Одесса)
S е и рп е й да п а н к о л б S3 а з ■е ф э К S е и рп е й да п а н к о л б S3 а з ■е ф э К
входные вектора выходные вектора
Якушева нападение 3.33 3.б8 1.79 3.б4 2.80 2.8б 4.17 1.7б 1.32 2.4б
Андрусенко нападение 3.33 4.38 2.50 2.50 3.33 3.б4 3.49 2.14 4.0б 3.б0
Савенчук нападение 5.00 3.75 1.25 1.3б 2.50 0.00 3.б4 1.88 4.00 3.44
Цолина нападение 2.50 4.б9 3.57 1.43 3.38 2.50 4.00 0.00 1.88 2.90
Юрченко 1-й темп нап. 2.50 4.44 3.33 3.00 3.50 0.00 4.00 3.81 2.8б 3.72
Рогаль связующая 0.00 0.00 1.00 0.00 0.50 0.00 5.00 0.б3 0.38 1.20
Курило либеро 5.00 0.00 0.00 2.73 3.85 3.33 0.00 0.00 1.б7 2.27
Таблица 2.
Данные для формирования тестовых векторов
«Джинестра»(Одесса) «Круг»(Черкассы)
ФИО Амплуа прием е й да п а н к о л б защита ■е ф э К прием нападение блок защита ■е ф э К
входные вектора выходные вектора
Якушева нападение 2.8б 4.17 1.7б 1.32 2.4б 2.22 3.75 1.82 1.15 2.59
Андрусенко нападение 3.б4 3.49 2.14 4.0б 3.б0 3.00 3.8б 0.00 3.00 3.18
Савенчук нападение 0.00 3.б4 1.88 4.00 3.44 0.00 3.50 2.00 2.78 3.00
Цолина нападение 2.50 4.00 0.00 1.88 2.90 3.00 3.50 1.25 2.00 2.50
Юрченко 1-й темп нап. 0.00 4.00 3.81 2.8б 3.72 2.29 3.75 2.29 0.00 2.42
Рогаль связующая 0.00 5.00 0.б3 0.38 1.20 3.75 0.00 0.00 0.00 1.15
Курило либеро 3.33 0.00 0.00 1.б7 2.27 2.22 0.00 0.00 0.83 1.43
Поскольку в игровых видах спорта успешная игра одного игрока может приводить к подъему спортивного духа других игроков и, соответственно, к подъему их игровых показателей, то целесообразно при прогнозе возможных показателей в следующей игре некоторогоигрока использовать массив показателей всех игроков, которые они показали в предыдущей игре.
Исследования проводились с помощью пакета Deductor (разработчик - компания BaseGroup Labs http://www .basegroup.ru/).
Для исследования использовалась трехслойная нейронная сеть. Количество нейронов в каждом слое определяется количеством видов технических действий. В проведенном эксперименте использовались данные по 4 техническим действиям и показателю эффективности игры. Были установлены следующие параметры нейронной сети: алгоритм обучения = Back Propagation; момент обучения = 0.9; скорость обучения = 0.1; функция активации нейронов - сигмоид; параметр сигмоида = 1. Параметры завершения процесса обучения нейронной сети: средняя ошибка = 0.05; максимальная ошибка = 0.05; процент распознанных примеров = 100 %. В таблице 3 приведены прогнозируемые и фактические оценки действий за игру.
Таблица 3.
Прогнозируемые и фактические оценки действий игроков
ФИО Прогноз на игру с командой «Круг»(Черкассы) Реальные оценки за игру с командой «Круг»(Черкассы) Ср.квадрат. ошибка
прием е й да п а н к о л б S3 а з ■е ф э К прием нападение блок защита ■е ф э К
Якушева 0.90 4.2б 1.29 3.37 3.34 2.22 3.75 1.82 1.15 2.59 0.5б
Андрусенко 2.7б 3.99 2.15 2.22 2.84 3.00 3.8б 0.00 3.00 3.18 0.47
Савенчук 1.57 4.74 1.59 0.49 1.8б 0.00 3.50 2.00 2.78 3.00 0.б5
Цолина 2.б8 3.35 0.97 2.33 2.бб 3.00 3.50 1.25 2.00 2.50 0.12
Юрченко 1.90 3.81 1.75 1.б3 3.31 2.29 3.75 2.29 0.00 2.42 0.39
Рогаль 0.14 4.825 0.4бб 1.015 1.97 3.75 0.00 0.00 0.00 1.15 1.24
Курило 2.73 1.98 0.09 0.79 1.50 2.22 0.00 0.00 0.83 1.43 0.41
Большое значение среднеквадратическойошибки соответствует тому случаю, когда в выходном векторе более одной нулевой компоненты. В оценках Рогаль за игру в Черкассах из четырех оценок было выставлено три нулевых оценки. Если большинство оценок имеет ненулевое значение, то в этом случае среднеквадратическая ошибка не превышает 0.б5. То есть менее одного балла, что вполне приемлемо для прогноза готовности игроков к следующей игре.
Выводы.
1. Применение НС для прогнозирования спортивных результатов волейболистов в предстоящей игре требуются оценки их действий только за предыдущие две игры, тогда как статистические методы требуют большой выборки данных. Например, для прогноза по методу, описанному в [1], требуются данные о 12 предыдущих играх.
2. Среднеквадратическая ошибка прогноза не превышает одного балла, что вполне приемлемо для прогноза готовности игроков к следующей игре.
В плане дальнейших работ определенный интерес представляет поиск ответа на вопрос: как влияет учет амплуа игрока на точность прогноза готовности игроков к следующей игре.
Литература.
1. Таранцев А.А. , Чернов В.Г., Метод прогнозирования эффективности выступления спортсменов в соревнованиях. - Теория и практика физической культуры, 1999, №4. -
http://lib.sportedu.ru/Press/tpfk/1999n4/p35-37.htm
2. Возможности непараметрики в спорте / В. Ткачук; Б. Петрович, А. Раковски и др. - Харьков: ХГ АДИ (ХХПИ), 2004.
3. Кудряшов Е.В., Мищенко А.А. Контроль за уровнем игровой подготовленности
волейболисток//Физическое воспитание студентов творческих специальностей: Сб. научнтр. под ред. Ермакова С.С. - Харьков: ХГ АДИ (ХХПИ), 2002. - №7. - 92с.
4. Брежнев А.М., Зезюлин В.Т., Брежнев Т.А., Зезюлин С.В. Методика и средства контроля игровой подготовленности волейболистов.//Питання впровадження кредитно-модульно-рейтингової системи у навчальний процес: Матеріали конференції - Г орлівка Університет «Україна», 2007. - с. 132 - 137.
5. Барсегян А. А., Куприянов М.С., Степаненко В.В., Холод И.И. Методы и модели анализа данных: OLAP и Data Mining. - СПб.: БХВ-Петербург, 2004. - 33б с.
6. Брежнев Т.А. Оценка эффективности методов data mining для определения степени готовности волейболистокк игре // в сб. «Технологія - 2007 / СТІ СНУ ім. В.Даля» - Северодонецк 2007.- 85 с.
Поступила в редакцию 29.09.2008 г.
