CC BY
50
ИНФОРМАТИКА, ВЫЧИСЛИТЕЛЬНАЯ ТЕХНИКА И УПРАВЛЕНИЕ
ПРОГНОЗИРОВАНИЕ ИНДИВИДУАЛЬНЫХ РЕЗУЛЬТАТОВ В ЛЕГКОЙ АТЛЕТИКЕ СПОРТСМЕНОВ ВЫСШИХ СПОРТИВНЫХ РАЗРЯДОВ С ИСПОЛЬЗОВАНИЕМ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ
Крутиков Александр Константинович
аспирант 2 курса, ФАВТ, ВятГУ, РФ, г. Киров Email: yadrodisk@yandex. ru
PREDICTION OF INDIVIDUAL RESULTS IN ATHLETICS ATHLETES OF HIGHER SPORTS CATEGORIES USING ARTIFICIAL NEURAL NETWORKS
Alexander Krutikov
post-graduate, faculty of automation and computer technics, VyatSU,
Russia, Kirov
АННОТАЦИЯ
Статья рассматривает предпосылки создания и тестирования прототипа системы для прогнозирования индивидуальных результатов спортсмена в легкой атлетике. Описаны примеры создания обучающей выборки, модели используемых нейронных сетей, анализируются результаты экспериментов, таблицы и графики. Приведены экранные формы работы прототипа.
ABSTRACT
The article considers the prerequisites for the creation and testing of a prototype system for predicting the individual results of an athlete in athletics. Examples of creating a training sample, models of neural networks are described, experimental results, tables and graphs are analyzed. The screen forms of the prototype are given.
Ключевые слова: каскадная нейронная сеть, обобщенно-регрессионная нейронная сеть, нейронная сеть прямого распространения, нейрон, слой, алгоритм обучения, спортивное прогнозирование, легкая атлетика, индивидуальный вид спорта.
Keywords: cascade neural network, generalized regression neural network, direct propagation neural network, neuron, layer, learning algorithm, sports forecasting, athletics, individual sport.
Легкая атлетика базовый вид спорта во многих регионах РФ. Помимо этого, легкая атлетика - это олимпийский вид спорта, в котором на данный момент разыгрывается наибольшее число комплектов медалей на Олимпийских играх. Для сборной России этот вид спорта до 2016 года был одним из самых успешных и приносящих награды в копилку Олимпийской сборной в неофициальном командном зачете.
Конкуренция в легкой атлетике - это не только соперничество спортсменов, но и конкуренция тренеров, тренировочных школ, программ подготовки, спортивных функционеров, спортивных структур, которые осуществляют подготовку методик, научных работ и рекомендаций. Успешное конкурирование предполагает использование современных наработок и технологий, к которым определенно можно отнести методы и средства динамично развивающейся области компьютерных технологий - искусственного интеллекта.
Планирование и прогнозирование - это важный аспект тренировочной деятельности в легкой атлетике. Планируются и прогнозируются как долгосрочные процессы, например, перспективы развития легкоатлетической дисциплины, или отдельного спортсмена, так и среднесрочные и краткосрочные задачи, такие как результат спортсмена на определенном турнире, функциональные возможности атлета и пр. В зависимости от прогнозов могут корректироваться тренировочные и различные другие циклы спортивной подготовки атлетов. Прогноз лежит в построении индивидуальных спортивных планов: на основе определенных прогнозов принимаются решения на уровне национальной сборной команды.
Одним из средств искусственного интеллекта, применяемых в прогнозировании, являются нейронные сети [1, 2]. При этом, одна из особенностей использования нейронных сетей - необходимость их обучения, для чего требуется разработать определенную обучающую выборку.
Библиографическое описание: Крутиков А.К. Прогнозирование индивидуальных результатов в легкой атлетике спортсменов высших спортивных разрядов с использованием искусственных нейронных сетей // Universum: Технические науки : электрон. научн. журн. 2019. № 10(67). URL: http://7universum.com/ru/tech/archive/item/7898
А А I
7universum.com
UNIVERSUM:
ТЕХНИЧЕСКИЕ НАУКИ
В среде МЛТЬЛВ разработан и тестируется прототип системы для прогнозирования спортивных результатов в индивидуальных видах спорта [1]. Обучающая выборка состоит более чем из тридцати векторов, каждый из которых является набором контрольных, тестовых и специальных параметров прыгуна в длину с квалификацией I спортивного разряда, а последний элемент вектора - это профильный результат спортсмена в дисциплине. В вектор вошли такие показатели, как прыжок с места, рабочий и мак-
октябрь, 2019 г.
симальный веса штанги, дозировка спортивного питания, тестовые беговые результаты. Все эти результаты и показатели зафиксированы на определенном этапе, или в определенном цикле подготовки спортсмена. Важной особенностью данных в обучающей выборке является то, что все тестовые, контрольные и профильные показатели являются вещественными числами, и при обучении нейронной сети представлены именно в виде вещественных чисел.
График, построенный на основе обучающей выборки, приведен на рисунке 1.
Обучающая выборка
6,4
5 1-15 СП О) о_ 6,2 6 ш 5,8 \ 5,6
5,4 1 3 Б 7 9 11 13 15 17 19 21 23 25 27 29 31 33 Номер вектора
Рисунок 1. График построенный на основе результатов спортсмена в обучающей выборке
Данная выборка детализирована на одном временном отрезке (полтора месяца). Использование этих данных позволит определить оптимальные параметры нейронных сетей, для прогнозирования спортивных результатов, а также разработать ряд методических рекомендаций. Обучающая выборка загружается в систему в формате электронной таблицы, составляется в среде Microsoft Excel. Количество значений в обучающей выборки зависит от разработчиков обучающей выборки. При создании выборок по профильным дисциплинам спортсмена необходимо производить консультацию со специалистами, чтобы выяснить, какие именно
параметры наиболее влияют на профильный результат.
В качестве основных моделей нейронных сетей выбраны каскадная нейронная сеть [3], нейронная сеть прямого распространения [4] и обобщенно-регрессионная нейронная сеть [2].
Произведены эксперименты с использованием модуля на основе нейронной сети прямого распространения. Совмещенный график, полученный после обучения нейронной сети прямого распространения на основе результатов прогноза, представлен на рисунке 2.
Рисунок 2. Совмещенный график на основе тестового запуска обученной нейронной сети
Результаты среднеквадратичной ошибки (MSE) при обучении нейронной сети прямого распространения приведены в таблице 1.
Таблица 1.
Результаты экспериментов
Структура сети Метод обучения ^итЬи Метод обучения ^яшЬг Метод обучения traingd
25,15,1 MSE= 0.0189 (61 эпоха обучения) MSE= 0.00947 (339 эпох обучения) MSE= 0.0131 (27 эпох обучения)
35,25,1 MSE= 0.0199 (94 эпохи обучения) MSE= 0.00268 (1000 эпох обучения) MSE= 28.6 (22 эпохи обучения)
Сеть обучена, минимальная среднеквадратичная ошибка получена на структуре сети 5 нейронов в первом слое и один нейрон во втором слое, с 1000 эпох обучения. Уменьшению ошибки обучения способствует уменьшение структуры нейронной сети, что объясняется недостаточно большой обучающей выборкой. Сеть с задачей прогнозирования спортивных результатов в дисциплине «прыжки в длину» справилась.
Совмещенные графики и аналогичные результаты были получены с использованием тестового запуска каскадной нейронной сети и обобщенно-регрессионной нейронной сети приведены на рисунках 3-4. Среднеквадратичная ошибка в экспериментах не превысила 0, 0043. Эффекта переобучения не наблюдается, и с использованием реальных примеров, не входящих в обучающую выборку, на выходе сетей наблюдается прогнозируемый результат. При этом среднеквадратичная ошибка не превышает 0,881.
Номер вектор ■ Обучающая!
Рисунок 3. Совмещенный график на основе тестового запуска обученной каскадной нейронной сети
6,4 г 6,2
га ь л
>. 5,8
О
с
5,6
5,4
Фрагмент совмещенного графика
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 Номер вектора
—Обучающая выборка —Работа сети
Рисунок 4. Совмещенный график на основе тестового запуска обученной обобщенно-регрессионной
нейронной сети
Экранные формы работы с каскадной нейронной сетью в среде MATLAB приведены на рисунке 5.
Рисунок 5. Экранные формы обученной каскадной нейронной сети в среде МЛТЬЛБ
Данные модели успешно проявили себя при прогнозировании результатов в данном индивидуальном виде спорта, при использовании малой обучающей выборки. Описанные модели возможно применять для прогнозирования спортивных результатов в индивидуальных видах спорта в группе дисциплин, для которых характерна активная двигательная деятельность спортсменов с предельным проявлением физических и психических качеств, а результат выражается численно, в виде целого или вещественного числа.
Обучающие выборки необходимо расширять за счет введения и наблюдения за погодными и фармакологическими показателями. Также рассматривается возможность введения в обучающую выборку
некоторого психологического показателя спортсмена.
Прототип системы разработан в системе MATLAB. Занимаемое место на жестком диске варьируется от числа и размерности обучающих выборок. Рекомендуемые системные требования к ПК: Intel Core i3, 1,7 ГГц, оперативная память от 1 Гб, от 200 Мб свободного места на жестком диске, ОС Windows XP/7/8/10 и выше.
Система на данный момент тестируется. Планируется разработка более подробных обучающих выборок для спортсменов беговых и технических дисциплин, а также углубленные тесты и анализ результатов.
Список литературы:
1. Крутиков А.К., Подковырин В.Д. Компьютерные технологии и технологии искусственного интеллекта как инструмент прогнозирования спортивных результатов в легкой атлетике - Актуальные проблемы и современные тенденции развития легкой атлетики в России и в мире: материалы Всероссийской научно-практической конференции с международным участием, посвященная памяти профессора Г.В. Цыганова (24 мая 2019 года). - Казань: Поволжская ГАФКСиТ, 2019. -256-261 с.
2. Крутиков А. К. Прогнозирование спортивных результатов в индивидуальных видах спорта с помощью обобщенно-регрессионной нейронной сети // Молодой ученый. — 2018. — №12. — С. 22-26. — URL https://moluch.ru/archive/198/48884/ (дата обращения: 27.04.2018).
3. Мельцов В.Ю., Подковырин В.Д., Клюкин В.Л., Крутиков А.К., Использование каскадной нейронной сети прямой передачи для прогнозирования спортивных достижений в толкании ядра. [Текст] - Казань: Научно-технический вестник Поволжья №4, 2018. с.136-139
4. Филатова Т.В., Применение нейронных сетей для аппроксимации данных - ДонГТУ: Тематические статьи 125 с.
