體育強國進程中應用數學模型提高四川省青少年身體素質研究

金 萍，龍 駒

?

體育強國進程中應用數學模型提高四川省青少年身體素質研究

金 萍1，龍 駒2

針對現有大學生身體素質測試方法的不足，提出基于細菌覓食（BFO）算法優化的神經網絡的大學生身體素質測試方法，并結合360名18～21歲男女大學生的5項測試指標及綜合評價成績建立大學生身體素質的BFO算法優化的神經網絡測試模型。將5項測試指標值經過歸一化后作為網絡輸入，大學生身體素質綜合評定成績作為網絡輸出，利用訓練好的網絡模型進行大學生身體素質綜合評定成績預測，經過MATLAB仿真實驗驗證，取得了較好的預測結果，為大學生身體素質的評估提供了更為科學的指導。

大學生；身體素質;BFO算法;BP神經網絡

國務院副總理劉延東2014年7月28日在全國學校體育工作座談會上強調，健康是青少年成長成才和幸福生活的根基，關系國家民族未來和億萬家庭福祉，各級黨委政府要認真貫徹習近平總書記關于增強青少年體質的重要論述精神，樹立“健康第一”的理念，組織引導學校、社會和家庭為青少年強身健體創造良好條件，為實現中國夢提供人才保障。2004年8月31日教育部執行新規定大學生體測不合格不能畢業。國家體質健康網最新的統計數據顯示，我國大學生身體素質水平呈下降趨勢，素質指標發育水平降多升少，大學生體質亟待改善[1]。大學生身體素質與很多因素有關，包括人體形態、生理機能、心理狀態、外界環境等[2]，其身體素質的綜合評定成績與其評價指標之間存在復雜的非線性關系。如何簡潔有效的對它進行測試與評估，為體育強國進程中的青少年大學生提供一個更科學的運動健身指導方案具有重要的意義。數學模型智能算法測評系統的出現為解決這一問題提供了有力的支持，但是近年對智能算法測評系統的研究主要集中在對職業運動員單項或者綜合運動能力的評測上[3] [4]，而單獨評測青少年大學生身體素質的研究稍顯不足。

目前，對大學生身體素質進行智能測評的方法主要有以下3種[5] [6] [7]：

（1）使用數理統計理論中數據標準化的方法建立大學生身體素質評價的標準化數學模型，構造了單項和多項體標成績的綜合評價方法。該方法具有操作簡潔，有一定動態可比性的優點。

（2）在不改變原教學內容的前提下，使用模糊數學的方法科學編排和分配每一教學項目的訓練時間，最終達到提高大學生身體素質的目的。該方法具有能科學分配各項教學方法練習時間的優點。

（3）基于RBF神經網絡算法建立了大學生身體素質評估的訓練模型，該模型如實地映射出大學生單項體標成績與最終評估成績的相關關系。RBF神經網絡具有較強函數逼近能力的優點。

然而當前已有測評方法主要存在如下一些問題：

（1）數理統計理論中數據標準化的方法只能計算出體標平均成績和方差，不能對綜合測評成績進行預測。

（2）模糊數學法目前主要應用在球類教學項目中，還不能有效評測大學生的單項體標成績與最終評估成績的相關關系。

（3）RBF神經網絡屬于局部映射網絡，其作用函數只具有局部化接受域，對未知樣本的預測能力不如BP網絡，同時該方法目前只研究了對男子大學生的適用性。

隨著智能測評技術的快速發展，智能測評算法處理能力不斷加強，同時考慮到身體素質測評技術也已經由專業運動員領域迅速擴展到青少年大學生領域。為此，我們針對現有測評技術的不足，將BFO算法[8]有機融合進BP神經網絡，將其整合設計為一個完整的大學生身體素質智能測評模型，該模型具有如下創新點：

（1）將具有較強并行搜索能力，較快收斂到全局最優解的BFO算法應用于優化BP神經網絡的權值和閾值，強化了BP網絡的范化（預測）能力，能更準確的預測每個青少年大學生的身體素質綜合評分。

（2）BFO算法與BP算法有機融合成了一種混合智能算法，該方法兼具這兩種方法各自的優點，在隱含層神經元個數保證具有足夠數量的前提下，可以任意精度逼近任何單值連續函數。

（3）模型可以同時應用于男女大學生的評測，操作簡單，只需要輸入某大學生的5項體標數據，就可以很快預測出該學生身體素質的綜合評分。

1 研究對象與方法

1.1 研究對象

隨機抽取西華大學、四川大學、四川師范大學、西南財經大學2010-2013級360名（每個年級各抽取90名）大學生，其中男女生各180人，年齡18-22歲的5項體標測試數據作為研究四川青少年大學生身體素質樣本。

1.2 研究方法-數學模型法

1.2.1 數學描述 對大學生身體素質的測試需要考慮很多相關因素，依據《大學生體育合格標準》的要求，選出了大學生身體素質評估的5項指標：身高a、體重b、肺活量c、引體向上d、立定跳遠e作為測試依據，最終評估成績y與上述5個指標之間存在復雜的非線性函數關系，其定性數學描述如公式（1）所示。

1.2.2 基于BFO算法優化的神經網絡建立測試模型

（1）神經網絡結構創建

選用BP神經網絡模型結構：BP神經網絡是一種單向傳播的多層前向網絡，包括輸入層、隱含層和輸出層，各層之間實現全連接，而每層神經元之間無連接。創建步驟如下：

大學生身體素質的測試中，其測試指標主要包括身高、體重、肺活量、引體向上、立定跳遠5項，所以網絡的輸入層神經元個數取5個。

Step2：確定隱含層層數

Kosmogorov定理證明：在結構和權值選擇合理的條件下，可以用3層BP 神經網絡來逼近任意的連續函數[9]，所以隱含層選擇1層。

大學生身體素質的最終評價依據主要是身體素質的最終評估成績，所以輸出層神經元個數取1。

Step5：確定神經網絡結構

BP神經網絡結構為：5-11-1。

（2）BFO算法優化神經網絡權值和閾值

BFO算法優化BP神經網絡是用BFO算法來優化BP神經網絡的初始權值和閾值，使優化后的BP神經網絡能夠更好的進行樣本預測。其優化過程包括3個要素：種群初始化、目標函數設計、進化算子（趨化、繁殖、遷徙算子）設計。

種群初始化[11]

采用二進制編碼方案，每個細菌個體均為一個二進制代碼串，由輸入層與隱含層連接權值、隱含層閾值、隱含層與輸出層連接權值、輸出層閾值4個部分組成，每個權值和閾值都使用N位的二進制編碼，將所有權值和閾值的編碼連接起來即為一個個體的二進制代碼串。本文的BP網絡結構為：5-11-1，其權值和閾值的個數如表1所示。

表1 BP網絡權值和閾值個數

取所有權值和閾值的編碼都是10位二進制數，根據表1可知一個個體的二進制編碼長度為：（55+11+11+1）X 10=780位，其位數分配如下表2所示。

表2 個體二進制編碼位數分配表

目標函數設計

最終評估成績的預測值與期望值之間的誤差越小越好，選擇預測樣本的預測值與期望值的誤差矩陣的范數作為目標函數的輸出。

進化算子設計[12]

BFO算法包括趨化、復制和驅散3個步驟。

Step1：細菌向任意方向按照單位步長進行翻轉，完成一次翻轉后，馬上計算適應度函數值，若計算值得到改善，細菌將沿同一方向繼續翻轉若干步，直至計算值不再改善，或達到預定的移動步數臨界值。

Step2：一旦生命周期結束，即達到臨界趨化次數，細菌將進行繁殖。細菌的繁殖過程遵循自然界“優勝劣汰，適者生存”原則。以趨化過程中各細菌適應值累加和為標準，較差的半數細菌死亡，較好的半數細菌分裂成兩個子細菌。子細菌將繼承母細菌生物特性，具有與母細菌相同的位置及步長。為簡化計算，可以規定復制過程中細菌總數保持不變。

Step3：趨化過程可確保細菌的局部搜索能力，復制過程能加快細菌的搜索速度，但對于復雜的優化問題，趨化和復制無法避免細菌陷入局部極小現象發生。BFO引入驅散過程以加強算法全局尋優能力。細菌在完成一定次數的復制后，將以一定概率被驅散到搜索空間中任意位置。

（3）神經網絡訓練[13]

網絡訓練是一個不斷修正權值和閾值的過程，通過訓練，可使得網絡的輸出誤差越來越小，最終達到設計精度的要求。因為BP 算法存在收斂速度慢、易陷入局部極小點、數值穩定性差、學習率、動量項系數和初始權值等參數難以調整等缺點，而非線性神經網絡學習算法LM可以有效地克服BP算法所存在的這些缺陷，所以本文采用LM算法對BP網絡進行訓練。其訓練步驟如下：

Step2：計算出迭代到第次的權值和閾值所組成的向量及對應的網絡輸出和誤差指標函數；

（3）

Step3：計算出迭代到第次的權值和閾值所組成的向量對應的Jacobian矩陣；

（5）

Step7：結束算法。

2 實驗結果

2.1 實驗目的

建立青少年大學生身體素質的測試評估數學模型，為科學評價提高四川青少年大學生的身體素質提供一簡潔可靠的平臺。

2.2 實驗步驟[14]

Step1：產生BP神經網絡的訓練集和測試集

320個樣本（男160個樣本，女160個樣本）作為訓練集，40個樣本（男20個樣本，女20個樣本）作為測試集。

Step2： BFO算法優化神經網絡的權值和閾值

按照1.2.2小節的敘述用BFO算法優化BP神經網絡的權值和閾值。

Step3：訓練BP神經網絡

在網絡結構確定后，設置好訓練次數、學習率、計算精度等訓練參數，就可以對網絡進行訓練了。

Step4：對訓練后的BP神經網絡進行仿真測試

測試模型建立后，將男女大學生各20個測試樣本中的5項體標數據作為輸入變量送入測試模型，模型輸出就是大學生身體素質綜合評分的預測值。

Step5：性能評估

為描述對比效果簡單直觀起見，用實測值與預測值的絕對誤差數據作為性能評估依據。

2.3 實驗結果

基于BFO算法優化的神經網絡經過對180個男學生樣本和180個女學生樣本進行1000次的反復訓練與仿真測試，得到男女學生的測試樣本實測分數值與預測分數值的對照數據分別如表3和表4所示。

表3 男生實預測分數對比表

表4 女生實預測分數對比表

3 結 論

本文提出了一種BFO算法優化神經網絡的大學生身體素質測試數學模型，經過MATLAB仿真實驗證實了該測試模型的正確性與可行性，并得出如下結論。

（1）對于已經訓練好的神經網絡測試模型，只需要輸入某大學生的5項體標數據，就可以預測出該學生身體素質的綜合評分，其預測分數值與實際分數值的絕對誤差小于1分，滿足精度要求。

（2）BFO數學模型算法是一種并行搜索算法，收斂速度快，容易收斂到全局最優解；BP神經網絡算法是前向神經網絡中一種比較成熟穩定的算法；用BFO算法優化BP神經網絡的初始權值和閾值后，BP網絡的訓練和預測樣本的效果都得到了比較大的改善，測試樣本的預測誤差大大縮小，精度進一步提高。

（3）使用數學模型對體育強國進程中的四川青少年大學生身體素質進行測評研究，可以克服現有測評方法存在的主觀性、隨意性的不足，確保了每個學生測評結果的客觀性、公平性。為進一步增強大學體育課的教學針對性，提高大學生身體素質提供了一種科學的指導方法。

參考文獻：

[1] 中國學生體質健康網http://www.csh.edu.cn.

[2] FOREMAN K.The use of talent-predictive factors in the selec-tion of track and field athletes[J].In Gambetta V （Ed.），TheAthletic Congress' s Track and Field Coaching Manual，Cham-paign，IL:Leisure Press，1989:31~36.

[3] 陳海英，郭 巧，徐 力. 基于神經網絡的人體100m跑運動能力綜合評價[J].中國體育科技，2003，39（2）：1~3.

[4] 田野，陸一帆，趙修杰，等.成年人綜合運動能力評價系統的研究與建立[J].中國體育科技，2010，46（2）：3~10.

[5] 韓 秋.大學生身體素質評價的標準化數學模型[J].中國體育科技，2006，42（2）：46~47.

[6] 杜兆斌，王振濤，魏 冰，等.模糊數學在普通高校球類教學中的應用研究—專項體育課教學與提高身體素質接軌[J].北京體育大學學報，2012，35（1）：99~102.

[7] 段岳明.基于神經網絡的大學生身體素質測試評估模型研究[J]武漢體育學院學報，2005，39（8）：77~79.

[8] PASSINOKM.Bacterialforraging optimization[J].International Journal of Swarm Intelligence Research，2010，1（1）:1~16.

[9] CHURING Y.Backpropagation，Theory，Architecture and Appli-cations[M].New York:Lawrence Erbaum Publishers, 1995: 55~73.

[10] 李士勇.模糊控制·神經控制和智能控制論[M].哈爾濱：哈爾濱工業大學出版社，1998：227~273.

[11] 周雅蘭．細菌覓食優化算法的研究與應用［Ｊ］．計算機工程與應用，2010，46（20）：16~21.

[12] http：//baike.baidu.com/view/5072478.htm?fr=aladdin.

[13] 師 黎，陳鐵軍，李曉媛，等.智能控制理論及應用[M].北京：清華大學出版社，2009：119~130.

[14] 史 峰，王 輝，郁 磊，等.智能算法30個案例分析[M].北京：北京航空航天大學出版社，2011：27~37，237~246.

The Study on Improving Sichuan Province Teenagers' Physical Conditions by Applying Mathematical Model in the Course of Enhancing a Sporting Power

JIN Ping1, LONG Ju2

In view of the current college students' physical quality test method is insufficient, based on bacteria foraging （BFO） algorithm was used to optimize the neural network of college students' physical quality test method, and combining with 360 Entries 18 - 21 year old male and female undergraduates five test index and comprehensive evaluation results to establish the students' physical quality BFO algorithm to optimize the neural network model test. Will the five test index after after normalization as network input, college students' physical quality comprehensive evaluation scores as network output, the use of the trained network model to college students' physical quality comprehensive evaluation results predict, through MATLAB simulation verification, achieved good prediction results, for college students' physical quality assessment provides more scientific guidance.

College students; Physical quality; BFO algorithms; The BP neural network

G812.5

A

2014-09-26

四川高校人文社會科學重點研究基地科研項目，項目編號：TY2014306。本文得到西華大學學科建設專項經費資助，項目編號：XED0904-09-1。

1.西華大學體育學院，四川成都，610039；

2.西華大學電氣信息學院，四川成都，610039。

1.Institute of P.E., Xihua University, Sichuan Chengdu, 610039, China;

2. Institute of Electrical Information, Xihua University, Sichuan Chengdu, 610039, China.

1007―6891（2015）01―0134―04

10.13932/j.cnki.sctykx.2015.01.30