基于模糊支持向量機的智能化體育測試數據完整性檢測方法

李健

（1.閩西職業技術學院公共教學部，福建龍巖 364021；2.蒙古國研究大學教育學院，烏蘭巴托 999097)

0 引言

隨著體育數據信息化管理技術的發展，構建智能化體育測試數據完整性檢測，結合對智能化體育測試數據特征分布，進行智能化體育測試數據特征分析和完整性檢測[1].在云環境下構建智能化體育測試數據的特征分布模型，通過解釋控制參數分析，構建智能化體育測試數據的回歸檢測和完整性分析模型，提高智能化體育測試數據的檢測和識別能力，相關的智能化體育測試數據檢測和完整性分析方法研究受到人們的極大關注[2-3].

在進行智能化體育測試數據完整性檢測中，首先構建智能化體育測試數據的特征分布模型，采用多維參數識別實現智能化體育測試數據完整性檢測分析.目前，對智能化體育測試數據完整性檢測的方法主要有深度學習方法、雙線性對方法等.文獻[4]提出基于深度學習的智能化體育測試數據完整性檢測方法，通過依靠深度學習而建立的初級監督層、中級監督層、高級監督層分別進行相對應的監督，達到智能化體育測試數據完整性檢測分析判定的目的.但是該方法進行體育測試數據完整性檢測的檢測精度較低.文獻[5]中提出了基于雙線性對的智能化體育測試數據完整性檢測方法，將穩態網絡中的各數據用一個閱讀器表示，閱讀器對其閱讀范圍內的數據標簽進行閱讀，并將閱讀到的結果傳送到中間件；中間件將所得標簽保存并構成閱讀器-標簽函數，據此函數對相鄰閱讀器覆蓋密度進行計算，以獲取閱讀器權重；對權重值進行排列，將具有較小權重的閱讀器確定為冗余閱讀器，將其清洗掉；將數據清洗結果代入數據完整性檢測中，對穩態網絡進行劃分，使其變為兩個終端數據相互傳輸的形式；將雙線性對引至數據完整性檢測，并利用對檢測等式均衡性的驗證判斷終端一傳輸來的數據是否具有完整性.但是該方法進行智能化體育測試數據完整性檢測的時間較長，檢測實時性不好.

模糊支持向量機主要通過引入模糊隸屬度函數，給每個樣本賦予不同的值，使不同的樣本點對分類超平面的構建具有不同的影響，以期增大支持向量對最優分類超平面的影響，降低噪聲對最優分類超平面的影響，提高檢測性能.對此，本文提出基于模糊支持向量機的智能化體育測試數據完整性檢測方法，并進行仿真測試分析.本文方法在提高智能化體育測試數據完整性檢測能力方面展現了優越的性能.

1 體育測試數據完整性參數分析

1.1 體育測試數據存儲結構和特征聚類

為了實現智能化體育測試數據完整性檢測，構建智能化體育測試數據的約束變量和解釋變量聯合特征分布結構模型，結合相關性的特征分析方法，實現智能化體育測試數據采集和監測[6].

首先需要構建智能化體育測試數據的分布式數據存儲結構模型，用一個四元組L表示智能化體育測試數據的存儲分布結構，即L=(V,E,W,C).假設d為智能化體育測試數據的檢測維數，Nk(k=0,1,…,R)表示第k層智能化體育測試數據完整性檢測分布集的個數；表示智能化體育測試數據在數據采樣中第k+1 層第i個節點的活躍度.采用多維信息調度[7]，得到智能化體育測試數據的模糊加權值：

其中，ε(n)為智能化體育測試數據的邊緣分布誤差.用特征映射xn →xn +1表示智能化體育測試數據的分布特征集，得到智能化體育測試數據的聯合特征分布離散序列{x(t0+iΔt)} (i=0,1,…,N+1)，通過目標樣本集相似性特征重組，得到統計特征量：

其中,K=N+(m+1)τ，表示智能化體育測試數據的特征向量，τ為智能化體育測試數據采樣時間延遲.設(sk,ak)和(sl，al)為智能化體育測試數據共享節點之間的模糊貼近度函數，基于聯合自相似性特征解析控制方法對智能化體育測試數據信息交叉融合，獲取智能化體育測試數據樣本：

式中,cn為智能化體育測試數據的有效補償信息[8].

1.2 智能化體育測試數據完整性特征提取

在上述體育測試數據存儲結構和特征聚類的基礎上，提取智能化體育測試數據完整性特征.通過量化回歸分析方法，實現對智能化體育測試數據完整性特征分布融合處理，以智能化體育測試數據的特征聚類性為測試條件[9]，采用相空間重構方法構建智能化體育測試數據完整性檢測的最大獨立集P(ni)={pk|prkj=1,k=1,2,…,m+1}，得到智能化體育測試數據完整性檢測的遞歸函數：

其中，表示智能化體育測試數據的完整性檢測的聚類中心為智能化體育測試數據的先驗概率密度.由此構建了智能化體育測試數據的特征分布模型，定義智能化體育測試數據的深度融合特征量為di，構建K個智能化體育測試數據樣本數據集，｛xi，y｝i(i=1,2,…,k+1)，其中k表示智能化體育測試數據時間序列的采樣個數，根據智能化體育測試數據的模糊檢測結果，得到智能化體育測試數據完整性分布的連通圖結構模型：

式中，ω表示智能化體育測試數據信息完整性分布特征矩，b表示模板系數.選擇智能化體育測試數據的歷史數據作為測試樣本，采用聯合自相關映射，得到智能化體育測試數據調度的采樣時間間隔為n∈[n1,n2]，智能化體育測試數據的模糊度函數為：

其中，σ為體育測試數據的歸一化分布誤差，聚類中心的分布間隔，構建體育測試數據的模糊聚類的關聯規則分布集合，得到：

其中，an+1表示智能化體育測試數據的線性回歸分布集，有m個智能化體育測試數據節點A1,A1A2,A1A2A3,An，在任意分塊blocki內，采用量化回歸分析方法，提取智能化體育測試數據完整性特征：

其中，ai為智能化體育測試數據的模糊聚類參數，bi為特征匹配函數，Xij為數據融合尺度信息[10].

2 體育測試數據完整性檢測

2.1 基于支持向量機的智能化體育測試數據分類

以智能化體育測試數據的特征聚類性為測試條件，構建模糊支持向量機模型實現對智能化體育測試數據完整性檢測.假定當前智能化體育測試數據分布節點的數目為n，N1,…,Nn，重構智能化體育測試數據時間序列的特征聚類空間：

其中，hij(n+1)T為智能化體育測試數據的干擾分量，vi(n+1)為語義分布，sj(n+1)為支持向量機學習的迭代函數，依據智能化體育測試數據的融合輸出，得到聯合特征辨識函數為{z1,z2,z3}，得到測試節點序列為i(i=1,2,…,Nk+1)，支持庫模型為

其中：h為智能化體育測試數據的檢測時間序列，ωn為智能化體育測試數據的迭代步數.引入靜息心率、心室肌收縮力作為控制參量，得到控制函數：

采用支持向量機方法，進行智能化體育測試數據分類：

2.2 智能化體育測試數據完整性檢測模型

通過智能化體育測試數據支持向量機分類，構建智能化體育測試數據完整性檢測模型[11-12].根據負荷參數分析，得到智能化體育測試數據的映射圖譜關系為

式中：m+1 為智能化體育測試數據檢測的嵌入維數，表示智能化體育測試數據完整性分布的關聯權重指數；(dik)2為智能化體育測試數據完整性檢測的相似度特征集.結合體能信息測試，得到智能化體育測試數據檢測的指標分布為si=(xi,xixi + τ,…,xi +(m+1)τ)T+1，建立智能化體育測試數據的主成分信息索引的特征匹配集

采用主成分融合和線性相關決策的方法，構建智能化體育測試數據完整性檢測模型：

其中，τ表示智能化體育測試數據的輸出延遲，表征t和t -τ時刻智能化體育測試數據的演化特征量.

3 仿真測試分析

為了驗證本文提出的基于模糊支持向量機的智能化體育測試數據完整性檢測方法在實際應用中的有效性，進行一次仿真實驗分析.仿真實驗中，給出先驗檢測樣本集（見下頁表1）.

表1 智能化體育測試數據

設定對智能化體育測試數據完整性檢測的機器學習迭代步數為2000，測試集序列大小為140，智能化體育測試數據融合聚類模板系數為0.128.

根據上述參數設定，實現智能化體育測試數據檢測，得到體育測試數據的時間序列樣本，如圖1所示.

圖1 體育測試數據的時間序列樣本

根據上述體育測試數據時間序列樣本，采用本文提出的基于模糊支持向量機的智能化體育測試數據完整性檢測方法、基于深度學習的智能化體育測試數據完整性檢測方法和基于雙線性對的智能化體育測試數據完整性檢測方法，對智能化體育測試數據完整性進行檢測，對比三種方法的檢測精度，對比結果如圖2 所示.

圖2 三種方法的檢測精度對比結果

分析圖2 得知，本文方法進行智能化體育測試數據完整性檢測的精度高達100%，而基于深度學習的智能化體育測試數據完整性檢測方法和基于雙線性對的智能化體育測試數據完整性檢測方法的智能化體育測試數據完整性檢測的精度最高分別為94%和92%.這說明本文提出的基于深度學習的智能化體育測試數據完整性檢測方法的檢測精度較高.

為了進一步驗證本文方法的有效性，采用本文提出的基于模糊支持向量機的智能化體育測試數據完整性檢測方法、基于深度學習的智能化體育測試數據完整性檢測方法和基于雙線性對的智能化體育測試數據完整性檢測方法，對智能化體育測試數據完整性檢測時間進行對比分析，對比結果如圖3 所示.

圖3 三種方法的檢測時間對比結果

根據圖3 可知，本文提出的基于模糊支持向量機的智能化體育測試數據完整性檢測方法的檢測時間在7 s內，比基于深度學習的智能化體育測試數據完整性檢測方法和基于雙線性對的智能化體育測試數據完整性檢測方法的智能化體育測試數據完整性檢測時間短，采用本文方法能夠提高智能化體育測試數據完整性檢測效率.

4 結語

由于傳統的智能化體育測試數據完整性檢測方法存在檢測效果不理想、檢測時間長的問題，本文提出了基于模糊支持向量機的智能化體育測試數據完整性檢測方法，提取智能化體育測試數據的關聯匹配特征量，采用多維信息調度，構建模糊支持向量機模型實現對智能化體育測試數據完整性檢測和模糊聚類模型，以體育成績、身體機能數據等為研究對象，實現對智能化體育測試數據完整性檢測.分析得知，本文方法進行智能化體育測試數據完整性檢測的精度較高，檢測時間較短.