马德 李少聪 张军峰

摘 要： 针对传统运动员专项成绩预测系统一直存在无法达到实质性的综合预测的问题，提出并设计基于混合遗传神经网络的运动员专项成绩预测系统。通过混合遗传神经网络，导入运动员专项数据，根据系统内部节点间调整，对运动员专项数据信息进行处理，建立专项成绩灰色预测模型，实现运动员专项成绩预测。实验数据表明，所设计的成绩预测系统能够进行高精度的专项成绩预测。

关键词： 综合预测； 混合遗传神经网络； 运动员； 专项成绩预测； 系统设计； 灰色预测模型

中图分类号： TN711?34； TP393 文献标识码： A 文章编号： 1004?373X（2018）08?0183?04

Abstract： In allusion to the problem that the traditional special performance prediction system for athletes has been unable to achieve substantive comprehensive prediction， a special performance prediction system for athletes based on hybrid genetic neural network is proposed and designed. Athletes′ special data is imported by means of hybrid genetic neural network. According to the internal node adjustment of system， athletes′ special data information is processed to establish special performance grey prediction model and achieve athletes′ special performance prediction. The experimental data show that the designed performance prediction system can carry out high?precision special performance prediction.

Keywords： comprehensive prediction； hybrid genetic neural network； athlete； special performance prediction； system design； gray prediction model

0 引 言

混合遗传神经网络（Artificial Neural Networks）也可称作连接模型（Connection Model），其是通过模仿动物神经网络行为反射过程，以分布式并行的方式，进行信息处理的高级模型[1]。而专项运动员的成绩存在一定的波动变化，随着训练、受伤、状态等因素变化对专项成绩影响比较显著。针对专项运动员的成绩进行有效的预测，对赛事安排有很大的辅助作用。传统运动员专项成绩预测系统能进行粗略的成绩预测，无法实现多维度的成绩综合预测。由于能够影响动员专项成绩的信息比较杂乱，所以每项因素都会对最终成绩产生彻底性的颠覆。

针对上述背景，本文设计基于混合遗传神经网络的运动员专项成绩预测系统。引入混合遗传神经网络，建立完整灰色预测模型，将混合遗传神经网络处理的信息进行预测，实现对运动员专项成绩预测效果。

1 导入混合遗传神经网络

本文引入混合遗传神经网络，对运动员专项成绩进行原始数据处理。数据处理过程中，利用数据的结构优势，将原始数据中无法关联的数据并联处理[2]。为预测过程中提供精准的参照数据以及使用属性。结构复杂程度越高，对原始数据处理能力就越强。本文设计的混合遗传神经网络对原始数据的处理流程如图1所示。

混合遗传神经网络建立在人工神经网络基础上[3]。混合遗传神经网络能够将多元素求解问题进行转变，使用的原始数据可以近似地看成是“关联体”，并建立“关联体”的模式集群，将这些原始数据置于某一特定“环境”中，根据 “能量梯度公式”的使用原则，从模型中选择能够在环境中适应的原始数据[4]，将选定的原始数据进行交叉、复制以及提取等方式，进行表达属性提取，利用混合遗传神经网络的结构传递到指定的运行机制中。本文设计的混合遗传神经网络使用GA?BP算法进行原始数据的属性提取。GA?BP算法首先利用混合遗传神经网络结构进行非关联原始因素的剥离，本文使用混合遗传神经网络的层次结构比较简单，原因是承载力的不足会极大地影响预测过程[5]。本文在节点设置上采用高位节点并行，低位节点共用的方式。这样能够将原始的运动员专项成绩以及相关的数据进行分配，通过对分配的环境进行限制，将影响程度分为：初级、次级、高级、终级。本文将高位节点分析出的关联属性，以神经网络源的形式传递到低位节点上，传递过程中摒弃原有的复杂关系，进行属相间的假体以及置换[6]。交替过程中将原有的承接属性转变，根据影响能力进行排序，先交换的为必然因素，需要通过每一低位节点进行属性提取，以此类推，最后进行的是非关联性数据，经过所有的数据传递后，便可进行GA?BP计算。

本文进行GA?BP计算，是将节点分析的数据进行提取，为下步预测过程做准备。GA?BP计算利用减法的形式，将多余属性进行排除，留下的属性数据为可以用预测数据。使用关联执行属性表达关联能力，通过查阅文献本文的关联能力系数在3～6之间，通过原始数据属性确认节点处理过后属性。表1为本文GA?BP算法与混合遗传神经网络结构相关提取数据。

经过上述过程，完成运动员专项成绩预测的数据准备工作。

2 灰色预测模型

本文使用灰色模型进行运动员专项成绩预测。灰色模型（Gray Model即为GM（1，1）），由于灰色模型具有单数列预测的特点，因此只能使用被预测对象的自身影响因素，作为建立模型的基础[9?10]。通过提供的相关数列以及属性，直接将非关联数据变为参考数据。由于存在事件的越级性，因此非关联数据不能被完全摒弃。将众多隐藏的、直接的、间接的已知因素进行多维度的排列，将每一条影响因素都看作是一个灰色信息的信息矢量，通过建立的模型进行各种条件的序列搭配，以此来完成对运动员专项成绩的预测。

本文为弱化非关联数据的随机性，建立灰色预测模型过程中，进行累加或者累减方式处理预测数据，方便得到预测生成列。本文选用累加的形式，表示预测初级参量，通过预测参量结果，直接确定关联和间接关联属性，其中每一个非关联数据自身都是一个数据集合。经过上述多次累加，若关联属性累加的次数越多，生成的灰色预测模型预测能力越强，当累加次数足够多时，非关联性数据已经不能对其影响[11]。此时，计算的累加结果便是想要的预测结果。预测模型将原始影响因素前后两个数据相减，得到预测生成序列。本文将对应于原始影响因素进行置换，便可以得到预测结果。同时灰色预测模型建立完成。

3 实验分析

为了验证设计的基于混合遗传神经网络的运动员专项成绩预测系统的有效性，设计模拟仿真试验，试验过程中，使用传统运动员专项成绩预测系统与本文设计的系统相比较。实验数据的选择上使用随机组合的形式，方便检测系统的实际适用性以及有效性。为了保证实验的可行性，需要对实验参数进行设置。

3.1 实验参数设计

本文设计的试验针对系统进行测试，专项运动员的有效成绩是已知的参量，设计的系统对专项成绩进行预测。实验过程中，使用一定的不可控变量进行实验，因此需要对试验数据进行设定。设置结果如表2所示，原始试验数据如表3所示。

由图2可知，预测数据的幅度能够反映预测系统的相对预测精度，使用数据越多说明预测过程中的参照比越大，预测结果越精确。从图2中可以看出，在数据浮動率上，本文设计的预测系统明显好于传统预测系统，并且明显地高于传统系统。负参比实际上是非有效数据的排除能力，为此可以看出，本文设计的预测系统能够排除较多的非有效数据。

图3为YLF预测娴度，YLF预测娴度能够反映预测的精准度。图3b）为本文设计的预测系统，可以看出本文预测系统的预测点明显多于传统方法，在可信度上与预测精准度上都明显地高于传统预测系统。

4 结 语

本文设计一款基于混合遗传神经网络的运动员专项成绩预测系统。导入混合遗传神经网络，依靠系统的复杂程度以及调整内部节点之间相互关系对数据信息进行处理，建立灰色预测模型，完成运动员专项成绩预测。希望通过本文的研究能够提升对运动员专项成绩的预测能力。

参考文献

[1] 王小凤，高攀科，王进玺.基于混合遗传神经网络的高速公路沥青路面使用性能评价方法研究[J].公路工程，2017，42（4）：219?222.

WANG Xiaofeng， GAO Panke， WANG Jinxi. Study on evaluation method of expressway asphalt pavement performance based on hybrid genetic neural network [J]. Highway engineering， 2017， 42（4）： 219?222.

[2] 邓定胜.基于混合遗传算法和神经网络的软硬件划分算法[J].西南师范大学学报（自然科学版），2015，40（10）：29?34.

DENG Dingsheng. On hardware/software partitioning algorithm based on genetic algorithm and neural network hybrid [J]. Journal of Southwest China Normal University （Natural science edition）， 2015， 40（10）： 29?34.

[3] 纪华伟，刘毛娜，胡小平.基于混合遗传算法的磁控形状记忆合金驱动器磁滞模型优化[J].中国机械工程，2015，26（4）：508?512.

JI Huawei， LIU Maona， HU Xiaoping. Optimization of MSMA actuator hysteresis model based on hybrid GA [J]. China mechanical engineering， 2015， 26（4）： 508?512.

[4] 杨建国，熊经纬，徐兰，等.应用混合种群遗传神经网络的精梳毛纺工艺参数反演模型[J].纺织学报，2016，37（7）：149?154.

YANG Jianguo， XIONG Jingwei， XU Lan， et al. Worsted spinning process parameters inversion model using mixed population genetic neural network [J]. Journal of textile research， 2016， 37（7）： 149?154.

[5] 吴俊伟，姜春茂.一种BP神经网络和遗传算法混合的云平台负载预测方法[J].软件，2017，38（8）：18?24.

WU Junwei， JIANG Chunmao. A load forecasting method of cloud platform based on BP neural network and genetic algorithm[J]. Computer engineering &； software， 2017， 38（8）： 18?24.

[6] 孙丽.基于遗传算法BP神经网络的多目标优化方法[J].激光杂志，2016，37（8）：123?128.

SUN Li. Genetic algorithm and BP neural network based multi?objective optimization [J]. Laser journal， 2016， 37（8）： 123?128.

[7] 冯国奇，崔东亮，张亚军，等.样本视角下面向复杂产品多目标优化设计的混合人工神经网络：遗传算法技术[J].计算机集成制造系统，2016，22（6）：1403?1414.

FENG Guoqi， CUI Dongliang， ZHANG Yajun， et al. Hybrid NN?GA framework for multi?objective optimization of complex products design from perspective of sample management [J]. Computer integrated manufacturing systems， 2016， 22（6）： 1403?1414.

[8] 周涛，陆惠玲，张艳宁，等.基于Rough Set的高维特征选择混合遗传算法研究[J].南京大学学报（自然科学版），2015，51（4）：880?893.

ZHOU Tao， LU Huiling， ZHANG Yanning， et al. A new hybrid genetic algorithm for high dimension feature selection based on rough set [J]. Journal of Nanjing University （Natural sciences）， 2015， 51（4）： 880?893.

[9] 王芳，杨虎山.基于LM算法和遗传算法求解非线性方程组[J].忻州师范学院学报，2016，32（5）：19?21.

WANG Fang， YANG Hushan. Based on the LM algorithm and genetic algorithm for solving non?linear equations [J]. Journal of Xinzhou Teachers University， 2016， 32（5）： 19?21.

[10] ZHANG Y， XU J R， FU X H， et al. Hybrid algorithm combining genetic algorithm with back propagation neural network for extracting the characteristics of multi?peak Brillouin scattering spectrum [J]. Frontiers of optoelectronics， 2017， 10（1）： 62?69.

[11] HONG G. Research on the hybrid algorithm on the basis of BP neural network and the improved genetic algorithm [J]. Open automation &； control systems journal， 2015， 7（1）： 1094?1099.