基于模糊神經網絡的大學生體質評價研究

馮晨鐘 宋世創 李慕航

摘 要：為了更好地評價大學生身體素質，文中研究了T-S型模糊神經網絡算法，以大學生體質狀態作為評價指標，建立一種基于T-S型模糊神經網絡的大學生體質評價模型，并對本校大學生的體質進行合理評價。實驗結果表明，該模型具有良好的適應性和準確性，可為大學生體質評價提供一定的參考依據。

關鍵字：T-S；模糊神經網絡；體質評價；GIS

中圖分類號：TP39；TB18 文獻標識碼：A 文章編號：2095-1302（2018）08-00-02

0 引 言

在當今科技盛行的時代，智能設備層出不窮，平板、手機等設備的使用導致越來越多的大學生很少外出活動，從而影響了身體健康。因此，如何通過一定數量的體測數據來衡量大學生的體質是很多研究者關注的課題。國內外學者對大量體測數據進行分析，提出了若干衡量體質的健康指標，但目前尚無統一標準模型。

模糊神經網絡是模糊理論同神經網絡相結合的產物，被廣泛應用于復雜系統識別。馬曉丹提出了一種將量子遺傳算法的全局搜索能力和模糊推理神經網絡的自適應性相結合的算法來識別蘋果果實[1]。劉新顏以GIS技術和T-S模糊神經網絡為依托，從土壤風蝕影響因子及風蝕動力學機制出發構建了區域土壤風蝕危險度模型[2]。黃贊武將模糊神經網絡FNN（Fuzzy Neural Network，FNN）理論引入軌道電路的故障診斷應用中[3]，在對軌道電路故障原因進行分析的基礎上，根據軌道電路的工作原理和故障特點建立了FNN故障診斷模型。張宇采用T-S模糊神經網絡模型對吉林省西部地區部分地下水水化學監測點的水質進行評價[4]。因此，模糊神經網絡非常適用于大量數據的分析統計。本文用T-S型模糊神經網絡來分析數據，提出了新的體質評價模型。

1 樣本采集及處理

本文所用數據為山西農業大學城建學院、資環學院、軟件學院等大三在校學生2017年度的各項體測指標成績，共計1 879條數據。數據中包含身高、體重、50米短跑、坐位體前屈、立定跳遠、引體向上（男生），一分鐘仰臥起坐（女生）、1 000米跑（男生）和800米跑（女生）。

由于男女生體質及體測項目的不同，對數據進行分類，剔除無效數據，得到有效數據共計1 823條（其中男生

1 226條，女生597條）。部分男生體測數據見表1所列，部分女生體測數據見表2所列。

2 T-S模糊神經網絡

2.1 T-S模糊神經網絡結構

T-S模糊神經網絡共有4層，分別為輸入層、模糊化層、模糊規則計算層和輸出層，其網絡結構模型如圖1所示。

模糊化層隸屬度函數使用高斯型函數，其中，cij和bij分別為隸屬度函數的中心和寬度，k為輸入參數，n為模糊子集數：

（1）

模糊規則計算層采用模糊連乘公式（2）進行模糊計算，采用的模糊算子為連乘算子：

（2）

輸出層采用公式（3）計算輸出值：

（3）

2.2 T-S模糊神經網絡學習算法

2.2.1 誤差計算

按誤差反向傳播實現對數據的學習：

（4）

式中：yd為網絡期望輸出；yc為網絡實際輸出；e為期望輸出和實際輸出的誤差。

2.2.2 系數修正

（5）

（6）

式中：pij為神經網絡系數；α為網絡學習率；xj為網絡輸入參數；ωi為輸入參數隸屬度連乘積。

2.2.3 參數修正

（7）

（8）

式中：cij為隸屬度函數的中心；bij為隸屬度函數的寬度。

3 仿真實驗

3.1 建立網絡拓撲結構

依據體測項目的種類輸出一個體質等級指標，即輸入數據維度為8，輸出數據維度為1，確定輸入節點個數為8，輸出節點個數為1，通過試湊法確定隸屬度函數個數為12，即構建的網絡拓撲結構為8-12-1。

3.2 網絡訓練

分別隨機抽出980條和500條男女體測數據進行訓練，歸一化訓練數據，通過學習算法不斷調整隸屬度中心函數cij和寬度bij，迭代次數n=200。網絡訓練流程如圖2所示。

3.3 體質評價

使用對應訓練好的模糊神經網絡分別對部分資環、信科與園林的男生和女生體質進行體質評價，圖3所示為男生測試數據預測圖，圖4所示為女生測試數據預測圖，圖5所示為男生預測體質圖，圖6所示為女生預測體質圖。

從數據預測圖中可以看出，實際輸出曲線與預測輸出曲線基本吻合，誤差曲線平緩，波動較小，擬合程度較高，與實際情況較為符合，說明該模型可以很好地應用于大學生體質評價。

4 結 語

當代大學生普遍對自己的身體素質沒有清晰認識，如何對體測數據進行分析是一個亟待解決的問題。本文基于T-S型模糊神經網絡，構建了評價大學生體質的網絡模型，通過學習算法對模糊神經網絡進行訓練，建立對應評價模型，使其具有較高的擬合度。將此模型應用于山西農業大學部分大學生的體質評價，評價結果與實際情況較為吻合。本文研究為大學生體質評價提供了一種客觀有效的方法，對督促大學生進行體育鍛煉起到了一定的積極作用，具有重要的現實意義。

參考文獻

[1]馬曉丹，劉剛，周薇，等.基于量子遺傳模糊神經網絡的蘋果果實識別[J].農業機械學報，2013，44（12）：227-232，251.

[2]劉新顏，曹曉儀，董治寶.基于T-S模糊神經網絡模型的榆林市土壤風蝕危險度評價[J].地理科學，2013，33（6）：741-747.

[3]黃贊武，魏學業，劉澤.基于模糊神經網絡的軌道電路故障診斷方法研究[J].鐵道學報，2012，34（11）：54-59.

[4]張宇，盧文喜，陳社明，等.基于T-S模糊神經網絡的地下水水質評價[J].節水灌溉，2012（7）：35-38.

[5]郝天軒，宋超.基于模糊神經網絡的煤層瓦斯含量預測研究[J].中國安全科學學報，2011，21（8）：36.

[6]張穎.改進的T-S模糊神經網絡在化工軟測量中的應用[J].電子測量與儀器學報，2010，24（6）：585-589.

[7]馮立強，劉曉悅.基于遺傳算法的神經網絡PID控制方法研究[J].物聯網技術，2017，7（10）：40-42.

[8]賴騰達，石坤明，王德宇，等.基于神經網絡數據融合的ZigBee智能家居環境監測系統[J].物聯網技術，2016，6（4）：28-30.