基于馬爾可夫模型的運動員體能訓練效果評估方法

王華

摘 要：為了提高運動員體能訓練效果評估能力，提出基于馬爾可夫模型的運動員體能訓練效果評估方法.構建運動員體能訓練效果評價的實證分析模型，結合運動員體能訓練效果評價的統計分析結果進行效果評價參數分析，采用力學參數分析方法模型，結合力學參數和統計分析方法進行運動員體能訓練效果評估的約束參數分析，建立運動員體能訓練效果評價參數的尋優模型，建立運動員體能訓練爆發力的慣性力矩分布模型，結合模糊信息融合特征提取方法，進行運動員體能訓練的力學特征分布式重構，進行運動員體能訓練的效果自適應預測和評估，構建運動員體能訓練效果評估的解釋變量和控制變量模型，根據參數尋優結果進行運動員體能訓練效果的優化評估，構建運動員體能訓練效果評估的馬爾可夫模型，根據馬爾可夫模型的參數優化解析結果進行訓練效果評估優化.仿真結果表明，采用該方法進行運動員體能訓練效果評估的準確性較好，評價置信度水平較高.

關鍵詞：馬爾可夫模型;運動員;體能訓練;效果評估

中圖分類號：G846? 文獻標識碼：A? 文章編號：1673-260X（2020）03-0096-04

隨著智能化體育訓練技術的不斷發展，采用智能數字化分析和量化分析方法，進行運動員體能訓練效果評價，結合參數尋優和大數據分析技術，構建運動員體能訓練效果評估的大數據分析模型[1]，結合大數據信息融合方法，提高運動員體能訓練效果評估的準確性，研究運動員體能訓練效果評估模型，在促進運動員體能訓練效果的優化方面具有重要意義，相關的運動員體能訓練效果評估模型研究受到人們的極大重視.結合大數據信息分析方法，進行運動員體能訓練評估，分析運動員體能訓練大數據分布關聯集[2]，結合融合性特征分析方法，進行運動員體能訓練效果評估方法優化，本文提出基于馬爾可夫模型的運動員體能訓練效果評估方法.構建運動員體能訓練效果評價的實證分析模型，結合運動員體能訓練效果評價的統計分析結果進行效果評價參數分析，構建運動員體能訓練效果評估的解釋變量和控制變量模型，根據參數尋優結果進行運動員體能訓練效果的優化評估，構建運動員體能訓練效果評估的馬爾可夫模型，根據馬爾可夫模型的參數優化解析結果進行訓練效果評估優化，最后進行仿真測試分析，得出有效結論.

1 運動員體能訓練效果信息采樣和特征分析

1.1 運動員體能訓練效果評估統計信息采樣

為了實現基于馬爾可夫模型的運動員體能訓練效果評估模型優化設計，采用大數據特征分析方法進行運動員體能訓練效果的自適應尋優，建立運動員體能訓練效果評估的自適應融合參數分析模型，采用大數據分析和特征調度的方法進行運動員體能訓練效果評估的大數據信息采樣，結合統計信息挖掘方法進行運動員體能訓練效果評估[3]，把運動員體能訓練效果評估的等級x（0）劃分為N個等級，為x（1），x（2），…，x（N），即x（0）=x（i），采用相似度特征分析方法進行運動員體能訓練效果評估的統計分析和優化評估，采用多元回歸檢驗分析方法，建立訓練效果評估的模糊約束參量分析模型，采用模糊統計分析和量化博弈方法，進行運動員體能訓練效果評估的自適應學習[4]，建立運動員體能訓練效果評估的量化分析模型，得到運動員體能訓練效果評估的統計函數為：

上式表示為運動員體能訓練效果評估的自適應參數分布集，采用相關性融合聚類分析方法，建立運動員體能訓練效果評估的標準正態分布函數[5]，？棕為運動員體能訓練效果評估的統計特征分布的慣性權重，采用均勻信息融合的方法，進行運動員體能訓練效果評估的量化分析，建立運動員體能訓練效果評估的約束參量集RN與XN的關聯分布關系為：

結合自相關特征匹配方法進行運動員體能訓練的融合性處理，提高運動員體能訓練效果評估的自適應性.

1.2 訓練效果評估的信息融合

結合力學參數的統計分析和大數據采樣的方法，進行運動員體能訓練的力學參數大數據融合處理[6]，運動員體能訓練效果的描述性統計序列{x（t0+i？駐t）}，i=0，1，…，N-1，運動員體能訓練的優化特征參數尋優量化集為：

構建基于肌體耐力和爆發力特征聯合分析的運動員體能訓練效果評估模型，并結合統計數據進行和大數據采樣的方法[7]，進行運動員體能訓練的效果評價參數分析，建立運動員體能訓練效果評估的模糊參量融合模型，構建大運動員體能訓練效果評估的統計分析模型的表達式為：

令f（si）=（f（x1），f（x2），…，f（xn）），采用力學傳感器，進行運動員體能訓練爆發力物理數據采集，得到參數分布模型為P（ni）={pk|prkj=1，k=1，2，…，m}，進行運動員體能訓練效果評估的關聯調度和模糊度特征分析，建立運動員體能訓練爆發力的慣性力矩分布模型，結合模糊信息融合特征提取方法，進行運動員體能訓練的力學特征分布式重構，運動員體能訓練的力學特征分布如下式：

式中，？姿表示運動員體能訓練效果評估的大數據模糊度分布因子，為運動員體能訓練效果評估的統計特征分量，？棕w為自適應加權系數，構建運動員體能訓練效果評估的信息優化融合模型，結合力學參數分析方法，進行運動員體能訓練效果評估優化[8].

2 訓練效果評估模型優化實現

2.1 運動員體能訓練效果評估的力學參數分析

本文提出基于馬爾可夫模型的運動員體能訓練效果評估方法.構建運動員體能訓練效果評價的實證分析模型，進行運動員體能訓練效果的評估的參數分析[9]，得到體能訓練效果評估的模糊性調度函數為：

式中，Xj（t）為第t次迭代后運動員體能訓練效果評估的模糊規則集，構建模糊子空間調度模型進行運動員體能訓練效果評估的輸出穩定性控制，給出運動員體能訓練效果評估的模糊度函數為：

上式中，運動員體能訓練效果評估的關聯規則分布函數為Mh，建立運動員體能訓練的力學參數分析模型，得到優化的力學分布數據集：

其中，運動員體能訓練效果評估統計大數據集合中含有n個樣本，樣本xi，i=1，2，…，n，結合馬爾科夫模型，得到運動員體能訓練效果評估的量化關系為：

結合運動力學特征分析方法，建立運動員體能訓練爆發力的輸出特征方程為：

運動員體能訓練效果評估預測函數為：

綜上分析，實現運動員體能訓練效果優化設計，提高評估的自適應性和準確性.

2.2 運動員體能訓練效果評估輸出

運動員體能訓練爆發力在支撐坐標系Oxyz中的旋轉慣性參數為（xa，0），各肢體中進行運動員體能訓練爆發力的質心Gi（xi，zi），在質心Gi（xi，zi）中，進行運動員體能訓練爆發力的特征分解，運動員體能訓練力學參數的模糊計算式為：

其中Newi′=（ei′，1，ei′，2，…，ei′，D），表示運動員體能訓練效果評估的分布式調度集，采用慣性輸出穩定性調節理論，在運動員體能訓練爆發力作用模式下，用？茲i（i=1，2，…，6）表示運動員體能訓練爆發力的力學穩態控制特征量，從而有：

根據上述，用M表示下肢質量矩陣，用向量G表示運動員體能訓練的人體運動力學特征矢量，進行運動員體能訓練效果的分段檢驗，檢驗規則為：

構建運動員體能訓練效果評估的大數據融合聚類分析模型，建立統計分析函數集，結合運動員體能訓練爆發力學特征演化分析方法，實現體能訓練效果的線性擬合，優化的擬合式為：

其中，Xmax，Xmin分別為最大評估閾值和最小閾值.根據參數尋優結果進行運動員體能訓練效果的優化評估，構建運動員體能訓練效果評估的馬爾可夫模型，根據馬爾可夫模型的參數優化解析結果進行訓練效果評估優化[10].

3 仿真測試分析

為了驗證本文方法在實現運動員體能訓練效果中的應用性能，進行仿真測試分析，采用SPSS 14.0統計分析軟件進行運動員體能訓練效果的約束參數分析和統計分析，采用力學傳感器進行運動員體能訓練效果評估的物理信息采集，體能訓練效果評估的統計分析結果見表1.

根據表1對運動員體能訓練效果評估的描述性統計分析結果，進行運動員體能訓練效果評估，得到運動員體能訓練的力學參數采集結果如圖1所示.

以圖1的運動員體能訓練的力學參數采集結果，進行運動員體能訓練效果評估，得到評估的優化輸出如圖2所示.

分析圖2得知，本文方法進行運動員體能訓練效果評估的準確性較高，特征跟蹤性能較好，測試評估的置信度，得到對比結果如圖3所示，分析圖3得知，本文方法進行運動員體能訓練評估的精度較高.

4 結語

本文提出基于馬爾可夫模型的運動員體能訓練效果評估方法.結合力學參數的統計分析和大數據采樣的方法，進行運動員體能訓練的力學參數大數據融合處理，進行運動員體能訓練效果評估的關聯調度和模糊度特征分析，建立運動員體能訓練爆發力的慣性力矩分布模型，結合模糊信息融合特征提取方法，進行運動員體能訓練的力學特征分布式重構，構建運動員體能訓練效果評估的解釋變量和控制變量模型，根據馬爾可夫模型的參數優化解析結果進行訓練效果評估優化.分析得知，本文方法進行運動員體能訓練效果評估的準確性較好，評價置信度水平較高，有效指導訓練效果.

參考文獻：

〔1〕LI C F， ZHU G C， WU X J， et al. False-positive reduction on lung nodules detection in chest radiographs by ensemble of convolutional neural networks[J]. IEEE Access， 2018， 6（99）：16060-16067.

〔2〕胡海旭，劉文武，柳鳴毅.現代夏季奧運會早期運動訓練理論與方法形成及特征[J].北京體育大學學報，2016，39（10）：121-127.

〔3〕宋廣俠，吳江濤.刺五加提取物對無氧運動訓練效果的影響[J].華僑大學學報（自然科學版），2015，36（05）：558-562.

〔4〕劉甲爽.靈芝多糖對運動員運動訓練效果及免疫功能影響研究[J].內蒙古師范大學學報（自然科學漢文版），2016，45（01）：71-75.

〔5〕胡洋洋，吳衛兵，李家海，陶衛軍.新型腰背部運動訓練系統及其效果檢測[J].南京理工大學學報，2016，40（06）：734-739.

〔6〕LI W， CAO P， ZHAO D Z， et al. Pulmonary nodule classification with deep convolutional neural networks on computed tomography images[J]. Computational and Mathematical Methods in Medicine， 2016， 2016：6215085.

〔7〕DING J， LI A X， HU Z Q， et al. Accurate pulmonary nodule detection in computed tomography images using deep convolutional neural networks[C]//Proceedings of the 2017 International Conference on Medical Computing and Computer-Assisted Intervention. Berlin：Springer， 2017：559-567.

〔8〕Z ZHANG Chaohua， LI Lianhe，YUN Guohong. Study on moving dislocations in decagonal quasicrystals[J]. Chinese Journal of Solid Mechanics， 2017，38（2）： 165-169.

〔9〕ZHANG Wei，WANG Zhijie. Research on Join Operation of Temporal Big Data in Distributed Environment[J]. Computer Engineering， 2019， 45（3）： 20-25，31.

〔10〕GOLDBERG Y.A primer on neural network models for natural language processing[J].Journal of Artificial Intelligence Research，2016，57（1）：345-420.