Elman型回归神经元对男子100m自由泳成绩预测的研究

Elman型回归神经元对男子100m自由泳成绩预测的研究

张洁孔德佳

张洁ZhangJie；孔德佳KongDejia（西安建筑科技大学，西安710055）

（Xi'anUniversityofArchitectureandTechnology，Xi'an710055，China）

摘要：将Elman动态回归神经网络预测方法应用于男子100m自由泳成绩的预测，通过对自1972年历届奥运会男子100m自由泳决赛成绩的历史数据归一化处理，组成一个从输入到输出的非线性映射，并利用MATLAB软件对其进行学习与训练的仿真实验，证明Elman神经网络可以较精确的应用于游泳成绩的预测。

Abstract：ThepredictionmethodofElmandynamicregressionneuralnetworkwasappliedinpredictionofperformanceofmen's100mfreestyle,andanonlinearmappingfromtheinputtotheoutputwasconstitutedthroughthenormalizationprocessingofhistoricaldataofthefinalresultsoftheOlympicmen's100mfreestylesince1972,itwasstudiedandsimulationexperimentwastrainedbyusingMATLABsoftware,andthenitprovedthatElmanneuralnetworkcouldbemorepreciselyappliedinpredictionofswimmingperformance.

关键词：神经网络；Elman；MATLAB；游泳；成绩预测

Keywords：neuralnetwork;Elman;MATLAB,swimming;achievementforecast

中图分类号：G86文献标识码：A文章编号：1006-4311（2011）08-0203-01

1研究对象与研究方法

1.1研究对象本文研究对象为1972年-2008年历届奥运会男子100m自由泳决赛运动员参赛成绩（下简称成绩）。

1.2研究方法运用Elman神经网络预测模型对运动员成绩进行预测需要提前对样本进行矩阵，以保证样本间条件的一致性。运算时所采用的模型规模将根据样本数量和条件进行相应调整（详见正文2.2）。通过对1972年历届奥运会男子100m自由泳决赛成绩的历史数据归一化处理，组成一个从输入到输出的非线性映射，全部运算采用MATLAB软件实施网络进行学习与训练仿真实验。

2建立男子100m自由泳预测模型

2.1预测样本设计由于预测行为的结果不能精确归一到某个单一值上，故选取历届奥运会决赛的前8名成绩作为输入数据，预测输出结果由8个数据组成一个范围作为最后参考成绩。将样本分为训练集和测试集。将1972-2000年奥运会成绩作为测试集即训练输入；2004年奥运会成绩作为训练输出。再将1972-2004年奥运会成绩的处理结果作为即为测试输入；2008年奥运会成绩作为测试输出，进一步验证预测模型计算结果与实际数据拟合度。

规定网络输入元素的范围应在[0，1]之间，由于男子100m自由泳决赛成绩最大变化范围可在[0，60]s之间，所以需要对网络输入元素提前进行归一化处理。研究采用最小—最大归一化法对原始数据进行归一化处理（线性变换）。把所有的数据按下式计算：P=所得数据都归一化为0到1之间的数—P。

2.2预测Elman神经网络模型设计下式是可作为最佳隐单元数时的参考公式。

公式中的m为输出神经元数，n为输入单元数，a为[1，10]之间的常数。由于本实验选取n=8，m=1；由此得出：隐含层单元数n1应该在4～14之间选取。为全方面考察预测系统的最佳性能，实验时分别令n1等于4～14，通过训练、预测计算之后，再分别比较每组数据的预测值与实际测量值之差的方差，选择无偏方差最小值时的n1作为最好的隐含层单元数，最后确定隐含层单元数n1=10。

3Elman神经网络预测的MATLAB实现

Elman神经网络设计代码如下：

上述指令作用是：规定网络输入元素的矩阵格式和范围，[n1,1]和{'tansig','purelin'}表示网络中间层神经元数目为n1（n1=10），传递函数为tansig，输出层神经元数目为1，传递函数为purelin。接下来确定归一化后的训练样本P和目标函数T；设定网络最大学习迭代次数为1000步；设定网络学习精度为0.0001；创建和训练BP神经网络MATLAB程序，程序内容如下：

运行上面程序后得到训练误差趋近图，在网络学习迭代到500步时，误差为：9.9895×10-5，学习速度较快。得到神经网络训练结果后，输入72年至04年成绩测试样本得到08年的预测成绩，其程序指令为：y=sim(net,P)。将预测结果与08年奥运会实际比赛成绩对比，以验证神经网络模型的准确性。利用Elman型神经元建立的预测模型对2008年奥运会成绩进行预测，拟合精度见表1。实验证明：利用Elman型神经元建立的预测模型计算结果与实际数据拟合度较高。

4结论

Elman神经网络预测模型对游泳项目成绩的预测具有准确、简便等特点。由于Elman神经网络是典型的反馈神经网络，比采用前馈神经网络更合理，具有收敛速度快和预测精度高等优势。这一技术将对教练员、运动员更为准确的掌握运动成绩发展趋势起积极作用。

同时，基于Elman网络的线性连接特征，该神经网络同样具备对游泳比赛中其他项目的进行成绩预测的可能性，相关研究有待在后期研究过程中得以深入。

参考文献：

[1]钟武，唐岳年.铅球运动员专项成绩的神经网络预测模型的构建[J].西安体育学院学报，2005，22（5）：79-81.

[2]郭丹，李平，曹江涛等.基于Matlab网络的非线性系统神经元自适应预测控制[J].计算机仿真，2003，20（8）：55-57.