49105

Прогнозирование результатов спортсменов

Курсовая

Информатика, кибернетика и программирование

Работа над проектом Для решения поставленной задачи будем использовать персептрон основанный на нейронной сети с 14ю входами с 1 выходным и с одним скрытым слоем. Одна из наиболее привлекательных для пользователя сторон нейросетевой технологии обеспечившая ей нынешнюю всеобщую популярность отсутствие необходимости в детальном программировании процесса решения задачи; возможность решения даже тех задач для которых отсутствуют алгоритмы решения; возможность адаптации к условиям функционирования обучения и переобучения....

Русский

2013-12-21

486 KB

5 чел.

Министерство образования и науки Российской Федерации

Федеральное агентство по образованию

Пермский государственный педагогический университет

Факультет информатики и экономики

Кафедра прикладной информатики

Курсовой проект

по интеллектуальным информационным системам

на тему:

«Прогнозирование результатов спортсменов»

                                                                               Работу выполнил студент гр. 1233

                                                                                  Байгулов С.С

                                                                                Научные руководители

                                                                                  Проф. Ясницкий Л.Н

                                                                                  Подпись _______________

                                                                                                   «    »                                 2008г.

Пермь 2008

Содержание

[1] Содержание

[2]
Введение.

[3]
Глава 1. Искусственный интеллект

[4] Основные модели и стратегии

[5]
1.2 Современные направления развития нейрокомпьютерных технологий

[6] Глава 2. Практическое применение нейронных сетей для прогнозирования результатов спортсмена

[7] 2.1. Спортивное плавание

[8]
2.2 Работа над проектом

[9] Для  решения поставленной  задачи будем использовать персептрон, основанный на нейронной сети  с 14-ю входами, с 1 выходным и с одним скрытым слоем. Число нейронов скрытого слоя равно шести.

[10]
2.3 Полученные результаты

[11]
Список использованной литературы:


Введение.

    На сегодняшний день практически в любой предметной области можно применить нейросетевые технологии. Одна из наиболее привлекательных для пользователя сторон нейросетевой технологии, обеспечившая ей нынешнюю всеобщую популярность - отсутствие необходимости в детальном программировании процесса решения задачи; возможность решения даже тех задач, для которых отсутствуют алгоритмы решения; возможность адаптации к условиям функционирования, обучения и переобучения.

Целью моей работы является попытка показать, можно ли использовать  нейросети и эффективно ли их применение при прогнозировании спортивных результатов. Такая задача может  найти себе применение в спорте, медицине спорта, спортивной статистике, тренерской работе.

Достижение поставленных целей предопределило постановку и решение следующих задач:

  •  Использовать имеющиеся навыки и знания, о нейросетевых технологиях и нейросимулятор для достижения цели работы.

- обучить нейросимулятор прогнозировать результат спортсмена;

- проанализировать результаты работы и сделать соответствующие   выводы;

Данная тема является интересной для исследования,  поскольку использование компьютерных технологий и прогнозирования в области физкультуры и спорта еще не вышло на  высокий уровень в нашей стране. Применение в данной области методов искусственного интеллекта, могло бы помочь развитию компьютерных технологий, используемых в спорте и спортивной медицине. С помощью своих исследований я бы хотел показать, что и в данной сфере возможно эффективное применение нейросетевых технологий.


Глава 1. Искусственный интеллект

  1.  Основные модели и стратегии

    Искусственный интеллект – это научная отрасль, занимающаяся исследованием и моделированием естественного интеллекта человека. Естественный интеллект человека является очень сложным объектом исследований и его моделирование осуществляется на разных уровнях абстрагирования. Можно выделить три таких уровня, которым соответствуют три основные стратегии искусственного интеллекта:

  •  технология экспертных систем;  
  •  нейросетевые и нейрокомпьютерные технологии;
  •  технологии эволюционного (проявляющегося) моделирования.

    Самому высокому уровню абстрагирования соответствует технология экспертных систем – систем, основанных на явных знаниях о предметной области. Согласно этой стратегии знания о предметной области извлекаются из специалистов-экспертов, или других информационных источников. Именно человек-эксперт, обладающий знаниями о предметной области, способен действовать на самом высоком уровне. Его знания формализуются и закачиваются в программный комплекс – экспертную систему, которая на основе этих знаний делает логически обоснованные полезные выводы, тем самым, моделируя интеллект человека-эксперта. Именно эту стратегию впервые применил в XIII в. испанский ученый Раймунд Луллий.  Именно с нее берет начало область науки, называемая искусственным интеллектом.      

    На самом нижнем уровне абстрагирования лежат нейрокомпьютерные и нейросетевые технологии. Согласно этой стратегии строится модель, учитывающая структуру мозга, состоящего из множества нейронов, соединенных нервными волокнами. Знания поступают в такую модель в ходе ее обучения на специально подобранных примерах, характеризующих предметную область. Так же как и в мозге, знания хранятся в неявной форме – кодируются в виде множества сил синаптических связей, имитирующих электропроводность межнейронных соединений. Основоположниками этой стратегии, появившейся в середине XX в., являются американские ученые В.Мак-Каллок, В.Питтс и Ф.Розенблатт.

    Исторически первой была модель искусственного интеллекта, основанного на явных знаниях, которая безраздельно господствовала, начиная с XIII в. и до середины XX в. Появление персептрона  в 1940-х гг. и первые его успехи, были встречены с надеждами и энтузиазмом, который, однако, продержался недолго, и к середине 1980-х гг. подавляющее большинство систем искусственного интеллекта представляли собой экспертные системы, ориентированные на конкретные предметные области. Однако победа высокоуровневой стратегии оказалась временной. Конец XX в. и начало XXI в. ознаменовались широкомасштабным наступление нейросетевых и нейрокомпьютерных технологий. Причем, имело место как применение этих технологий в новых предметных областях, так и вытеснение экспертных систем из тех областей, где они традиционно применялись ранее.

    Уже в течение полувека между высоко- и низкоуровневой стратегиями идет жесточайшая конкуренция. Вместе с тем многие специалисты отмечают наметившийся в последнее время процесс интеграции конкурирующих стратегий.

    Третья стратегия, появившаяся на свет в середине 1970-х гг. благодаря работам профессора Мичиганского университета Дж. Холланда, навеяна Дарвиновской теорией возникновения и эволюции жизни на Земле. Эволюционные модели начинают свою работу с создания целой популяции особей – кандидатов на решение проблемы. Отдельные особи популяции оцениваются по определенному критерию, позволяющему отобрать лучшие, которые затем видоизменяются, наследуя положительные свойства родителей и образуя новые поколения. Этот подход предполагает поиск источника интеллекта в самом процессе эволюции и взаимодействия особей. Знания в эволюционных моделях приобретаются в ходе конкурентной борьбы между особями.

    Подводя итог краткого обзора существующих стратегий искусственного интеллекта отметим, что на сегодняшний день безусловным лидером, как в области теоретических исследований, так и в части практических приложений, являются нейросетевые технологии. Попытки моделирования мозга на самом низком уровне абстрагирования – на уровне нейронной структуры, показывают себя как наиболее плодотворные технологии создания интеллектуальных систем.


1.2 Современные направления развития нейрокомпьютерных технологий

Детальный анализ разработок нейрокомпьютеров позволяет выделить основные перспективные направления современного развития нейрокомпьютерных технологий: нейропакети, нейросетевые экспертные системы, СУБД с включением нейросетевых алгоритмов, обработка изображений, управление динамическими системами и обработка сигналов, управление финансовой деятельностью, оптические нейрокомпьютеры, виртуальная реальность. Разработками в этой области занимается более 300 заграничных компаний, причем число их постоянно увеличивается. Среди них такие гиганты, как Intel, IBM и Motorolla. Сегодня наблюдается тенденция перехода от программных реализаций к программно-аппаратной реализации нейросетевых алгоритмов с резким увеличением числа разработок нейрочипів с нейросетевой архитектурой. Резко выросло количество военных разработок, в основном направленных на создание сверхскоростных, "умных" супервычислителей.

Если говорить про основное направление - интеллектуализацию вычислительных систем, придание им свойств человеческого мышления и восприятия, то здесь нейрокомпьютеры - практически единственный путь развития вычислительной техники. Большинство неудач на пути усовершенствования искусственного интеллекта на протяжении последних 30 лет связано с тем, что для решения важных и сложных по постановке задач выбирались вычислительные средства, не адекватные по возможностям решаемой задаче, в основном из числа традиционных компьютеров. При этом, как правило, не решалась задача, а показывалась принципиальная возможность ее решения. Сегодня активное развитие компьютерных технологий создал объективные условия для построения вычислительных систем, адекватных по возможностям и архитектуре практически любым задачам искусственного интеллекта.

В Японии с 1993 года принята программа "Real world computing program". Ее основная цель - создание эволюционирующей адаптивной ЭВМ. Проект рассчитан на 10 лет. Основой разработки является нейротехнология, которая используется для распознавания образов, обработки семантической информации, управления информационными потоками и роботами, способных адаптироваться к окружающей среде. Только в 1996 году было проведено около сотни международных конференций по нейрокомпьютерам и смежным проблемам. Разработки нейрокомпьютеров ведутся в многих странах мира, в частности, в Австрали создан образец коммерческого супернейрокомпьютера.

Для какого класса задач эффективно применение вычислительного устройства, построенного по новой технологии? Относительно нейрокомпьютеров ответ на этот вопрос постоянно меняется на протяжении 50 лет.

В истории вычислительной техники всегда были задачи, не решаемые традиционными компьютерами с архитектурой фон Неймана и для них переход к нейросетевым технологиям закономерен в случае увеличения размерности пространства или сокращения времени обработки. Можно выделить три участка применения нейросетевым технологий: общий, прикладной и специальный.

Эти задачи сводятся к обработке нейронною сетью многомерных массивов переменных, например:

контроль кредитных карточек. Сегодня 60% кредитных карточек в США обрабатываются с помощью нейросетевых технологий;

система выявления скрытых веществ с помощью системы на базе тепловых нейронов и с помощью нейрокомпьютера на заказанных цифровых нейрочипах. Подобная система фирмы SAIC эксплуатируется во многих аэропортах США при обзоре багажа для выявления наркотиков, взрывных веществ, ядерных и других материалов;

система автоматизированного контроля безопасного сохранения ядерных изделий.

Прикладные задачи

Обработка изображений

Перспективными задачами обработки изображений нейрокомпьютеров является обработка аэрокосмических изображений (сжатие с восстановлением, сегментация, обработка изображений), поиск, выделение и распознавание на изображении подвижных объектов заданной формы, обработка потоков изображений, обработка информации в высокопроизводительных сканерах.

Обработка сигналов

В первую очередь это класс задач, связанный с прогнозированием временных зависимостей:

прогнозирование финансовых показателей;

прогнозирование надежности электродвигателей;

предвидение мощности АЭС и прогнозирование надежности систем электропитания на самолетах;

При решении этих задач наблюдается переход от простейших регрессионных и других статистических моделей прогноза до нелинейных адаптивных экстраполирующих фильтров, реализованных в виде сложных нейронных сетей.

Системы управления динамическими объектами

Это одна из самых перспективных, областей применения нейрокомпьютеров. В США и Финляндия ведут работы по использованию нейрокомпьютеров для управления химическими реакторами. В странах СНГ этим не занимались, в частности, через моральное устарение существующих реакторов и нецелесообразность усовершенствования их систем управления.

Перспективной считается разработка нейрокомпьютера для управления подвижной установкой гиперзвукового самолета. Актуальной для решения с помощью нейрокомпьютера является задача обучения нейронной сети изготовлению точного маневра истребителя, задача управления роботами: прямая, обратная кинематическая и динамическая задачи, планирование маршрута движения работа. Переход к нейрокомпьютерам связан в первую очередь с ограниченностью объемов размещения вычислительных систем, а также с необходимостью реализации эффективного управления в реальном масштабе времени.

Нейросетевые экспертные системы

Необходимость реализации экспертных систем с алгоритмом нейросетей возникает при значительном увеличении числа правил и выводов. Примерами реализации конкретных нейросетевых экспертных систем могут служить система выбора воздушных маневров в ходе воздушного боя и медицинская диагностическая экспертная система для оценки состояния летчика.

Нейрочипы и нейрокомпьютеры

Главным результатом разработки нейросетевых алгоритмов решения задачи является возможность создания архитектуры нейрочипа, адекватной решаемой задаче. Для реализации нейросетевых алгоритмов с использованием универсальных микропроцессорных средств эффективней создать архитектуру, ориентированную на выполнение нейросетевых операций, чем использовать стандартные алгоритмы, ориентированные на модификацию решения задачи.

В отличие от других направлений развития сверхпродуктивной вычислительной техники, нейрокомпьютеры дают возможность вести разработки с использованием имеющегося потенциала электронной промышленности. Необходимо отметить ряд важных особенностей данных работ:

это направление разрешает создавать уникальные суперкомпьютеры на имеющейся элементной базе;

разработки нейрочипов и нейрокомпьютеров характеризуются переходом от цифровой обработки до аналого-цифровой и аналоговой;

нейросетевые архитектуры по сравнению с другими приводят к активизации использования новых технологических направлений реализации: нейросистемы на пластмассе, оптоэлектронные и оптические нейрокомпьютеры, молекулярные нейрокомпьютеры и нанонейроэлементы; возникает потребность в универсализации САПР нейрочипов.

создание технологии систем на пластмассе и нанотехнологии может привести к появлению новых сверхпараллельных архитектур. Начиная с нанонейроэлементов, мы вплотную подходим к принципиально новым архитектурным элементам, образующие сверхпараллельные высокопроизводительные вычислительные системы.

Нейрокомпьютеры являются перспективным направлением развития современной высокопроизводительной вычислительной техники, а теория нейронных сетей и нейроматематика представляют собой приоритетные направления вычислительной науки, и при соответствующей поддержке интенсивно развиваются.

Основой активного развития нейрокомпьютеров является принципиальное отличие нейросетевым алгоритмов решения задач от однопроцессорных и малопроцессорних.

Нейрокомпьютеры является предметом исследований сразу нескольких дисциплин, поэтому единственное определение нейрокомпьютера можно дать только с учетом разных точек зрения, адекватных разным направлениям науки.

Математическая статистика

Нейрокомпьютеры - это системы, разрешающие сформировать описание характеристик случайных процессов и совокупности случайных процессов, имеющих сложные, многомодальные или неизвестные функции распределения.

Математическая логика и теория автоматов

Нейрокомпьютеры - это системы, в которых алгоритм решения задачи представлен логической сетью элементов отдельного вида - нейронов, с полным отказом от булевских элементов типа И, ИЛИ, НЕТ, вследствии этого введены специфические связи между элементами, которые являются предметом отдельного рассмотрения.

Теория управления

В качестве объекта управления выбирается хорошо формализованный объект - многослойная нейронная сеть, а динамический процесс ее настраивания представляет процесс решения задачи. При этом практически весь аппарат синтеза адаптивных систем управления переносится на нейронную сеть, как отдельный вид объекта управления.

Вычислительная математика

Нейрокомпьютеры реализуют алгоритмы решения задач, представленные в виде нейронных сетей. Это ограничение позволяет разрабатывать алгоритмы, потенциально более параллельные, чем другая их физическая реализация. Множество нейросетевых алгоритмов решения задач составляет перспективный раздел вычислительной математики, условно названный нейроматематикой.

Нейрокомпьютер - это вычислительная система, в которой реализованы два принципиальных технических решения:

упрощенный до уровня нейрона процессорный элемент однородной структуры и сложные связи между элементами;

программирование вычислительной структуры перенесено на изменение весовых коэффициентов связей между процессорными элементами.

Общее определение нейрокомпьютера может быть представлено в следующем виде.

Нейрокомпьютер - это вычислительная система с архитектурой аппаратного и программного обеспечения, адекватного выполнению алгоритмов, представленных в нейросетевом логическом базисе.

Нейрокомпьютеры дают стандартный способ решения многих нестандартных задач. И неважно, что специализированная машина лучше решает один класс задач. Важнее, что один нейрокомпьютер решит и эту задачу, и вторую, и третью и не надо каждый раз проектировать специализированную ЭВМ, нейрокомпьютер сделает все сам и почти не хуже.

Вместо программирования обучение. Нейрокомпьютер учится, нужно лишь формировать обучающие множества. Работа программиста заменяется новой работой учителя. Лучше это ли хуже? Ни то, ни другое. Программист указывает машине все детали работы, учитель создает обучающую среду, к которой приспосабливается нейрокомпьютер. Появляются новые возможности для работы.

Нейрокомпьютеры эффективны там, где нужен аналог человеческой интуиции, в частности, для распознавания образов, чтения рукописных текстов, подготовки аналитических прогнозов, перевода с одного языка на другой и т.п. Именно для таких задач обычно трудно составить явный алгоритм.

Нейронные сети позволяют создавать эффективное программное и математическое обеспечения для компьютеров с высокой степенью распараллеливания обработки.

Нейрокомпьютеры "демократичны", как текстовые процессоры, поэтому с ними может работать любой, даже неопытный пользователь.


Глава 2. Практическое применение нейронных сетей для прогнозирования результатов спортсмена

2.1. Спортивное плавание

Спортивное плавание — вид спорта, в котором целью является как можно более быстрое покрытие определённого расстояния, не нарушая при этом техники способа плавания, который используется. Спортивное плавание начало набирать популярность ещё в XIX веке. В настоящее время спортивное плавание является олимпийским видом спорта.

Спортивное плавание, впрочем, как и любой другой спорт, ради спорта, все равно, что золотая медаль на шее победителя олимпийских игр, одна сторона обращена к зрителю – она блестит и переливается, а другая уткнулась в мокрую от воды и пота майку, зритель ее не видит. Так и жизнь профессионального пловца, с одной стороны соревнования, победы, поклонники, деньги, а с другой – выматывающая работа, нервные срывы, болезни на старости лет.. Спорт – это дисциплина, это жесткий режим. Как правило, ребята, которые занимаются в спортивных секция, гораздо более дисциплинированны, чем их сверстники, что сказывается и на учебе в школе и на поведении ребенка дома, на улице. Сказывается, естественно, в лучшую сторону. Плавание является одним из самых «здоровых» видов физической активности, очень хорошо развивается скелет, плечевой пояс, грудная клетка, у пловцов всегда отличная осанка, они почти всегда выше среднего роста. Плавание способствует укреплению иммунной системы, развивает гибкость, координацию, выносливость. При этом нет таких нагрузок на суставы, как в легкой и тяжелой атлетике. Как способ заработка, спортивное плавание, конечно, уступает футболу и теннису, но, тем не менее, оклад, премиальные, призовые и прочие выплаты могут составлять очень приличную сумму даже для предпринимателя средней руки. Кроме того, спортсмены, как люди публичные и атлетичные (тем более, если еще и что-то выигрывают) очень часто становятся рекламными лицами различных компаний, что также сулит неплохие заработки. А что же у нас по ту сторону медали? Зачастую, практически не имея свободного времени, а значит и общения со сверстниками в детстве, ребенок вырастает в малообщительного подростка, а потом и юношу (девушку), конечно, тут многое зависти от характера, но случается такое часто. Если в школе с обучением все было хорошо, то уже в ВУЗе могут появиться проблемы, тренировки проходят несколько раз в день, практически ежедневно и уделять серьезное внимание получению высшего образования, нет ни сил, ни желания. Хотя, представляя ВУЗ на каких-нибудь соревнованиях местного масштаба, студент получит-таки свой диплом. В зависимости от того, сколь успешно сложиться карьера спортсмена, будет зависеть то, когда он ее закончит. Но когда это произойдет, появляется определенный вакуум, который не всегда есть, чем заполнить, т.к. профессиональный спортсмен мало что умеет делать в обычной «гражданской» жизни. Вряд ли он устроится работать по полученной специальности, т.к. не имеет ни опыта, ни серьезных и актуальных знаний. Конечно, можно пойти на тренерскую работу, но это не для всех. Вдобавок ко всему, с завершением карьеры и дальше у спортсмена будут появляться типичные болячки профессионального пловца: аритмия сердца, проблемы с позвоночником из-за занятий с тяжестями, хронический ринит и др. Это лишь один из сценариев карьеры профессионального спортсмена-пловца, все может быть гораздо лучше, а может и хуже.


2.2 Работа над проектом

Для того чтобы реализовать свою идею я воспользовался помощью тренеров и спортсменов  пермской спортивной школы плавания «БМ». В проделанной мной работе можно выделить следующие этапы:

  •  Провел исследование путем опроса спортсменов о факторах, которые, по их мнению, влияют на результат, показанный на соревнованиях

  •  Проанализировал итоги опроса, составив общую картину

  •  Обсудил все возможные факторы с тренером спортивной школы плавания и получил более точные, подкрепленные практическим опытом и знаниями данные для работы использовал данные по динамике результатов девушек  за последние годы

  •  Обучил нейросеть

  •  Проанализировал полученные результаты совместно с тренером


параметры:

  •  X1 - возраст;
  •  X2 – питание (неполноценное - 0, полноценное - 1);
  •  X3 – успешность выполнения тренерской нагрузки (перегружен…разгружен (1-5));
  •  X4 – показатель стадии физиологической зрелости (ранняя-  0.., зрелая..– 1, развитая-2);
  •  X5 – поддержка болельщиков (нет-0, слабая-1, сильная-2);
  •  X6 – настроение (плохое.. хорошее (0-1));
  •  Х7 – соперники (нет-0, несколько-1, сильный заплыв-2);
  •  Х8 -  тренерское наставление (пассивное-0, обычное-1, крайне требовательное-2);
  •  Х9 – форма (плохая-0, норма-1, хорошая-2);
  •  Х10 – успешность в учебе (низкая-0, нормальная-1, высокая-2);
  •  Х11 – соблюдение режима дня (отсутствует режим-0, четкий режим-1);
  •  Х12 – оценка воды (легкая -0, тяжелая – 1);
  •  X13 – ответственность заплыва; ( 1 – квалификация, 2 – отбор в финал, 3 – финал)
  •  Х14 – номер заплыва (0-первые, 1- середина, 2- последние)

На выходе будем формировать результирующий вектор:

  1.  Y1 – результат спортсмена;


Ниже приведены
данные обучающей выборки и тестируемой выборки, которая не входила в процесс обучения, и на основе которых  мы можем понять, насколько точно обучилась сеть.

Обучающая выборка

x1

x2

x3

x4

x5

x6

x7

x8

x9

x10

x11

x12

x13

x14

у

6

0

1

0

0

0,1

0

0

0

0

0

1

1

0

180,1

6

0

2

0

0

0,2

1

1

0

0

1

1

1

1

178,2

6

0

2

0

0

0,2

1

0

1

0

1

1

1

1

172,4

6

0

3

0

0

0,3

1

1

0

0

1

1

1

1

169,9

6

0

2

0

0

0,2

0

2

0

0

1

1

1

1

168,4

7

1

2

0

0

0,1

1

0

0

0

1

1

1

0

166,7

7

1

1

0

0

0,2

0

1

0

0

1

1

1

1

165,2

7

1

1

0

0

0,3

1

1

0

0

1

1

1

2

164,3

7

1

3

0

0

0,6

1

1

1

0

1

1

1

1

160,1

7

0

2

0

1

0,4

0

0

0

0

1

1

1

0

159

7

0

1

0

0

0,5

1

2

0

0

1

1

1

1

157,4

7

0

3

0

0

0,3

0

1

1

0

1

1

1

2

155

7

1

3

0

0

0,7

1

1

0

0

1

0

1

1

152,4

8

1

3

0

0

0,6

0

1

0

0

1

0

1

1

149,5

8

0

3

0

1

0,5

1

1

1

0

1

1

1

1

146,9

8

0

3

0

0

0,4

0

2

1

0

1

1

1

1

144,1

8

0

1

0

0

0,4

0

1

0

0

1

1

1

1

142,8

8

1

1

0

0

0,5

1

1

0

0

0

1

1

2

142,6

8

1

1

0

0

0,2

0

1

0

0

1

1

1

0

140,1

8

0

1

0

0

0,6

1

1

0

0

1

1

1

1

141,9

8

0

1

0

0

0,4

1

1

0

0

1

1

1

1

141,4

9

1

2

0

0

0,2

0

1

0

0

1

1

1

0

139

9

0

2

0

0

0,3

0

1

0

0

1

1

1

1

138,5

9

1

1

0

0

0,4

0

1

0

0

1

1

1

0

138,1

9

0

1

0

0

0,5

1

1

1

0

1

1

1

0

137,3

9

1

2

0

0

0,6

1

1

1

0

1

1

1

1

135,2

9

0

2

0

0

0,6

0

1

1

0

1

1

1

2

134,9

9

1

1

0

0

0,5

0

1

2

0

1

0

1

1

132,1

9

1

2

0

0

0,6

1

1

1

0

1

1

1

2

132

10

1

2

0

1

0,8

1

2

1

0

1

1

1

2

129,4

10

1

2

0

0

0,5

0

1

1

0

0

1

1

0

129,9

10

1

3

0

1

0,5

1

1

1

0

1

1

1

1

127,5

10

1

2

0

0

0,6

0

0

1

0

1

1

1

1

126,4

10

1

3

0

0

0,2

1

1

0

0

0

1

1

2

128,3

10

1

2

0

1

0,7

1

1

1

0

1

1

1

1

127,1

10

0

3

0

0

0,8

0

1

2

0

1

1

1

1

124

10

1

2

0

1

0,8

0

1

1

0

1

1

1

0

123,1

10

1

1

0

1

0,5

1

1

0

0

1

1

1

0

125,3

10

1

2

0

0

0,7

1

1

1

1

1

0

1

1

123,4

10

1

3

0

0

0,6

1

1

1

1

1

1

1

1

122,5

11

1

2

0

1

0,8

1

1

1

1

1

1

1

0

121,5

11

1

3

0

1

0,1

1

1

0

1

0

1

1

0

123,1

11

1

3

0

1

0,7

0

2

1

1

1

1

1

1

122,2

11

1

3

0

1

0,6

1

1

1

1

1

1

1

2

122

11

1

2

0

0

0,9

0

1

1

1

1

1

1

1

121,9

11

1

3

0

1

0,8

1

1

1

1

1

1

1

1

121,7

11

1

4

0

1

0,7

1

1

1

1

1

0

1

1

120,1

11

1

3

0

1

0,9

1

1

0

0

1

1

1

1

121,2

11

0

3

0

1

0,6

1

2

1

1

1

0

1

1

120,2

11

1

3

0

1

0,7

1

1

1

1

1

0

1

2

119,8

11

1

3

0

0

0,6

1

2

1

1

1

0

2

1

118,7

11

1

3

0

1

0,5

1

1

2

1

1

0

1

2

117,2

12

0

3

0

1

0,8

0

1

1

1

1

0

1

1

110,7

12

1

4

0

1

1

1

2

1

1

1

0

1

2

103,8

12

1

3

0

0

0,4

1

1

1

0

1

1

1

0

105,1

12

0

3

0

1

0,3

0

1

1

1

1

0

2

1

105,1

12

1

4

0

1

0,5

1

1

0

1

0

0

1

1

105,2

12

1

4

0

1

0,6

1

1

1

1

1

0

2

1

104,3

12

0

3

0

1

0,5

1

2

1

1

1

0

1

1

100,2

12

1

3

0

1

0,6

1

1

1

1

1

0

2

1

99,1

12

1

3

0

1

0,7

1

1

1

1

1

0

2

0

98,6

12

1

4

0

2

0,8

0

0

1

1

1

0

1

1

98,4

12

1

3

0

1

0,6

1

1

2

1

1

0

2

1

97

12

1

4

0

2

0,5

0

1

1

1

1

0

1

1

98,3

12

0

3

0

1

0,4

1

1

0

1

1

0

1

1

98,4

12

1

4

0

1

0,7

1

1

2

1

1

0

1

2

96,9

13

1

4

0

1

0,8

0

2

2

1

1

0

3

2

92,5

13

1

4

0

1

0,5

1

1

1

1

1

0

1

1

90,2

13

1

4

0

2

0,6

2

1

2

1

1

0

2

2

85,1

13

1

4

0

1

0,7

1

2

2

1

11

0

1

1

84,2

13

1

4

1

2

0,8

1

2

2

1

1

0

2

2

83,7

13

1

5

1

1

0,7

0

2

1

1

1

0

3

1

82,4

13

1

4

1

2

0,6

1

2

2

1

1

0

2

2

79,2

14

0

4

1

1

0,8

1

1

2

1

1

0

2

0

78,1

14

1

4

1

2

0,9

0

2

2

1

1

0

1

2

75,4

15

1

4

1

2

0,6

1

2

1

1

1

0

2

2

63,4

15

0

5

1

2

0,9

2

2

2

1

1

0

3

1

62,9

15

1

5

1

1

0,6

1

1

2

1

1

0

1

2

61,7

15

1

4

1

1

0,7

1

2

2

1

1

0

2

2

60,9

15

1

5

1

2

0,6

0

1

1

1

1

0

3

2

60,5

15

1

4

1

2

0,7

1

2

2

1

1

1

2

2

60,2

15

1

5

1

2

1

2

2

2

1

1

0

3

2

59,9

16

1

4

2

2

0,7

1

2

2

1

1

0

2

2

59,1

16

1

4

2

2

0,8

1

2

1

1

1

0

1

2

58,9

16

1

4

2

2

0,9

2

1

1

1

1

0

3

1

57,4

16

1

5

2

2

1

2

1

2

1

1

0

2

2

57

16

1

5

2

2

0,8

2

2

2

1

1

0

3

2

56,8

16

1

5

2

0

0,9

2

2

2

1

1

1

3

2

56,4

14

1

4

1

1

1

1

1

1

1

1

0

2

2

70,7

14

1

4

1

2

0,6

0

2

2

1

1

0

1

1

68,3

14

1

5

1

2

0,7

1

2

2

1

1

0

2

2

67,1

14

1

4

1

1

0,8

0

2

2

1

1

0

3

1

64,9

14

1

4

1

1

0,4

0

2

1

1

1

0

1

2

63,9

14

1

5

1

2

0,5

1

2

2

1

1

0

2

2

63,7


Тестирующая выборка

7

0

1

0

1

0,5

1

0

0

0

1

1

1

1

8

1

2

0

1

0,5

0

1

0

0

1

1

1

1

9

1

2

0

0

0,7

1

1

1

0

1

1

1

1

11

1

4

0

0

0,8

1

1

2

1

1

0

2

2

15

1

5

1

2

0,9

2

2

2

1

1

0

3

2

16

1

5

2

1

0,7

2

2

2

1

1

0

3

2

Для  решения поставленной  задачи будем использовать персептрон, основанный на нейронной сети  с 14-ю входами, с 1 выходным и с одним скрытым слоем. Число нейронов скрытого слоя равно шести.

При проектировании персептронов необходимо понимать, что персептрон должен не только правильно реагировать на примеры, на которых он обучен, но и уметь обобщать приобретенные знания, т.е. правильно реагировать на примеры, которых в обучающей выборке не было. Погрешность персептрона, вычисленная на обучающей выборке называется погрешностью обучения, обозначаемой , а вычисленная на тестовой выборке - погрешностью обобщения, обозначаемой T. При увеличении числа нейронов внутренних слоев персептрона N погрешность обучения сначала падает, а затем возрастает, в то время погрешность обобщения имеет синусоидный вид.

 


2.3 Полученные результаты

Анализируя полученные результаты можно сделать вывод, что персептрон выдал модельные значения  довольно близкие к практическим. Для того чтобы наглядно продемонстрировать это утверждение, на графике   покажем соотношение между теоретическими и модельными значениями.

Модельные значения не полностью совпадают с практическими, поэтому полученные результаты не всегда соответствуют ожиданиям. Для подтверждения работоспособности моделей на вход были поданы значения из тестируемой выборки.

Как видно ошибка предсказания выше ошибки обучения, и результаты не всегда соответствуют ожиданиям.
     

 Проверка результатов.

Получив определенные результаты, я, совместно с тренером спортивной школы плавания «БМ» попробовал применить их на практике.

Перед выступлением на Первенстве России среди юниоров мы зафиксировали все текущие показатели спортсмена, необходимые нам для обучения нейросети и спрогнозировали результат.  Результат, замеренный электроникой бассейна, составил 1.03,74.  Нейросеть выдала результат, равный 1.04.23.  Разница, конечно, существенная. Однако, прогнозирование можно считать довольно точным. Совместно с тренером мы попытались определить, что можно добавить в нашу систему, чтобы повысить точность результатов и пришли к следующим выводам:

  1.  необходимо учитывать еще такие параметры, которые невозможно узнать, без помощи врачей и регулярных измерений. Например, это ряд физиологических параметров.

  1.  Основной причиной ошибки стала небольшой размер выборки. Это связано с тем, что значимость параметров очень разная, что при обобщении увеличивает ошибку.

Нужно сказать, что оценка различных параметров спортсмена – очень трудная задача, поскольку даже возможности человека не изучены полностью. Без точной медицинской и исследовательской техники объективного и полного подхода для  прогнозирования результатов добиться практически невозможно.


Заключение
.

Подробно рассмотрев теорию нейросетевых технологий и их использования, я пробовал применить их для прогнозирования результатов спортсменов. Нужно сказать, что слабая изученность этого вопроса предоставляла мне большой спектр действий для исследования и проектирования.

Результатами моей работы является нейросеть, прогнозирующая результат спортсмена по 14 факторам, которые я выделил во время исследования спортивной деятельности спортсменов-пловцов, совместно с их тренером. Говоря об успешности нейросети, хочу заметить, что прогнозирование спортивных результатов является сложной задачей, поскольку  субъективные человеческие показатели очень сложно выразить едиными численными характеристиками. Кроме того, на результат спортсмена влияет огромное количество факторов, как изученных, так еще и неизвестных человеку.

Я считаю, что справился со своей задачей, так как система выводит достаточно точные результаты с учетом всех параметров, заложенных мной. Ошибка, конечно, есть. Но безграничные возможности дополнительного изучения факторов, влияющих на результат спортсмена, малая изученность данной сферы, и огромные «демократические» возможности нейросетевых технологий делают возможным дальнейшее совершенствование моей работы, которая в свою очередь, при детальной и длительной проработке может стать средством, применяемым в спортивной диагностике, работе тренеров, медицине спорта и послужить примером для создания подобных систем в других областях физической культуры и спорта.


Список использованной литературы:

  1.  Ясницкий Л.Н.Введение в искусственный интеллект: Учеб. пособие для студ. высш. учеб. заведений/Леонид Нахимович Ясницкий.-М.:Издательский центр «Академия», 2005. – 176c.

  1.  «Плавание. Информационно-аналитический обзор». Изд. «Советский спорт» М., 2007.

3. http://www.artint.ru - Российский НИИ Искусственного интеллекта;

4. http://lib.sportedu.ru Журнал «Физическая культура»;

5. http://www.swimming.ru. Сайт, посвященный плаванию;


 

А также другие работы, которые могут Вас заинтересовать

30811. Процес нормализации баз данных 16.04 KB
  Например задано следующее отношение: ПРЕДМЕТ Код предмета. Переведем атрибут с повторяющимися значениями в новую сущность назначим ей первичный ключ Код преподавателя и свяжем с исходной сущностью ссылкой на ее первичный ключ Код предмета. В результате получим две сущности причем во вторую сущность добавятся характеризующие ее атрибуты: ПРЕДМЕТ Код предмета. Название Цикл Объем часов; ПРЕПОДАВАТЕЛЬ Код преподавателя ФИО Должность Оклад Адрес Код предмета.
30812. ПОТОКИ И ПРОЦЕССЫ 13.25 KB
  Процесс обеспечивает программу всем что ей нужно для работы включая один поток. Этот стандартный поток основной поток используется для выполнения кода программы. Основной поток типичного процесса начинает работу с точки входа и продолжает выполняться в соответствии со всеми циклами условными операторами и вызовами функций. Основной поток завершается вместе с завершением процесса.
30813. Гонки и тупики 11.15 KB
  Пусть Поток 1 получил доступ к ресурсу и изменил его в своих интересах; затем активизировался Поток 2 и модифицировал этот же ресурс до завершения Потока 1. Поток 1 полагает что ресурс остался в том же состоянии что и был до переключения. Тупики имеют место тогда когда поток ожидает ресурс который в данный момент принадлежит другому потоку.
30814. Создание таблиц для базы 18.26 KB
  Создание таблиц для базы Важным моментом при создании базы данных является распределение информации между полями записи. Очевидно что информация может быть распределена между полями различным образом. После того как определены поля записи необходимо выполнить распределение полей по таблицам. В простой базе данных все поля можно разместить в одной таблице.
30815. Создание модуля данных 23.7 KB
  Создание модуля данных Для размещения компонентов доступа к данным в приложении баз данных желательно использовать специальную форму модуль данных класс TDtModule. Обратите внимание что модуль данных не имеет ничего общего с обычной формой приложения ведь его непосредственным предком является класс TComponent. В модуле данных можно размещать только невизуальные компоненты. Модуль данных доступен разработчику как и любой другой модуль проекта на этапе разработки.
30816. Доступ к базе данных (таблице) 19.97 KB
  Доступ к базе данных таблице Доступ к базе данных обеспечивают компоненты Dtbse Tble Query и DtSource значки которых находятся на вкладках Dt ccess и BDE палитры Компонент Dtbse представляет базу данных как единое целое т. совокупность таблиц а компонент Tble одну из таблиц базы данных. Компонент DtSource источник данных обеспечивает связь компонента отображенияредактирования данных например компонента DBGrid и источника данных в качестве которого может выступать таблица компонент Tаblе или результат выполнения SQLзапроса к...
30817. Для сохранения целостности пользователь может наложить ограничения на процессы вставки удаления или обнов. 12.09 KB
  Для сохранения целостности пользователь может наложить ограничения на процессы вставки удаления или обновления данных в базе. База данных состоит из различных объектов таких как таблицы виды домены сохраненные процедуры триггеры. Объекты базы данных содержат всю информацию о ее структуре и данных.
30818. ADO, провайдеры ADO 11.36 KB
  DO позволяет представлять данные из разнообразных источников реляционных баз данных текстовых файлов и т. Провайдеры DO обеспечивают соединение приложения использующего данные через DO с источником данных сервером SQL локальной СУБД файловой системой и т. Для каждого типа хранилища данных должен существовать провайдер DO. Провайдер знает о местоположении хранилища данных и его содержании умеет обращаться к данным с запросами и интерпретировать возвращаемую служебную информацию и результаты запросов с целью их передачи приложению.
30819. Генератор отчетов Rave Reports 5.0 18.73 KB
  Компоненты для создания отчетов Генератор отчетов Rve Reports 5.0 Генератор отчетов Rve Reports 5.0 разработан фирмой Nevron и входит в состав Delphi 7 в качестве основного средства для создания отчетов. Он состоит из трех частей: ядро генератора отчетов обеспечивает управление отчетом и его предварительный просмотр и отправку на печать.