基于聚類分析與神經網絡的體育產業創新發展策略研究

摘要：體育產業關聯度高、產值影響力大，促進體育產業的發展對帶動區域經濟發展具有至關重要的作用。技術能力、轉化能力、經濟支撐是體育產業創新能力的構成要素，通過K均值算法對體育產業創新發展指標進行聚類，同時采用GA算法對BP網絡的初始閾值與權值進行優化，得到用于體育產業創新能力預測的K均值-GA-BP神經網絡模型。將該模型和BP神經網絡預測模型、GA-BP網絡預測模型、K均值-BP網絡模型進行對比，結果表明K均值-GA-BP神經網絡模型對體育產業創新發展能力的預測準確率最高，算法運行效率也比較高，這對科學制定體育產業創新發展策略具有一定的參考價值。

關鍵詞：K均值聚類算法" GA-BP神經網絡" 體育產業創新發展

引言

創新是發展的動力源泉，是引領經濟發展新常態的核心。體育產業屬于新興產業，發展時間比較短，同時發展規模也比較小，在發展的過程中存在動力不足、質量不高、效益不佳等問題。有效地促進體育產業的健康、可持續發展，必須對體育產業的發展模式實施改革創新，探索體育產業發展新的增長點。張英建對體育產業創新驅動型發展機制進行研究，指出要培養創新型人才，營造良好營商環境，加強知識產權保護，這樣才能突破當前體育產業創新發展的瓶頸，使得體育產業發展更具生命力。劉兵指出當前體育產業發展存在政策引導不夠細化、產業內容不均衡、產業升級偏差等問題，同時給出了體育產業升級的建議路徑。舒成利對體育產業創新能力和發展策略進行研究，指出研發投入較低、科技人才匱乏、科研成果偏少、創新機制不健全是創新力低下的突出體現，要持續提升體育產業創新能力，才能更好地促進體育產業的健康發展。體育產業創新發展是突破當前體育產業發展瓶頸的關鍵，論文在前人定性研究的基礎上采取定量化的方式對體育產業創新發展策略進行研究，從而更好地促進體育產業的健康、可持續發展。

1、體育產業創新能力預測模型

1.1、體育產業創新能力構成

體育產業關聯度高、產值與影響力大，體育產業創新發展必須要采用先進的科學技術，持續開發新產品，引入新工藝等，從而為體育產業企業帶來巨大的經濟效益。體育產業創新能力構成如圖1所示。

技術能力反映了體育產業的科學技術儲備、企業的技術水平等多個方面的內容，只有不斷地提升科技含量，才能更好地實現體育產業的創新發展。轉化能力反映了企業對先進科技技術轉化為生產實際并產生經濟效益的能力，即科技成果的轉化，只有更好地在科技成果應用于實際的生產經營中，才能更好地促進體育產業相關企業市場競爭力的提升。經濟支撐體現在政府相關部門對體育產業企業提供的資金支持，是體育產業持續創新的重要保障。

1.2、基于K均值的體育產業創新聚類分析

K均值聚類算法是經典的數據挖掘算法，通過計算數據對象之間的距離來衡量相似性。設為一組包含個數據的向量，通過距離函數的反復迭代將數據分為類。K均值算法目標函數為誤差平方和函數，表達式為

式中：為第類樣本的個數，為第類樣本的均值，為第類樣本的第個樣本。

對待分類樣本的不同聚類劃分結果，誤差平方和函數的值不同，其中使誤差平方和函數值最小的聚類為最優聚類結果。由于不同維度體育產業創新能力數據存在數量級上的差異，因此在進行K均值聚類分析之前對數據進行歸一化處理，即

式中：為序列中數據最小值，為序列中數據最大值，為序列中的第個數據，為歸一化數據。

1.3、基于BP神經網絡的體育創新能力預測

BP（back propagation）神經網絡是一種多層感知器，具有良好的多維函數映射能力，在工程中具有廣泛的應用。BP神經網絡按照誤差逆向傳播算法進行訓練學習，以使得網絡誤差平方達到最小值為目標函數，采用梯度下降法來計算目標函數的最小值。典型的BP神經網絡結構包含三層，即輸入層、隱藏層、輸出層，具體如圖2所示。

將聚類結果作為外部輸入數據，體育產業創新能力作為輸出數據，那么輸入數據和輸出數據之間的關系可以表示為

式中：為神經元傳輸函數，為權值矩陣，為偏差矩陣，表示輸入層到隱藏層，表示隱藏層到輸出層。

對于BP神經網絡而言，網絡初始權值及閾值對網絡性能影響比較大，直接影響了網絡預測的準確率和運行時間。遺傳算法（Genetic Algorithm，GA）是美國科學家John holland結合大自然中生物體進化規律而提出的智能優化算法，由于GA具有良好的全局搜索能力且算法復雜度比較小，因此在工程中具有十分廣泛的應用。本文采用GA對BP神經網絡的初始權值及閾值進行優化。對初始化權值和閾值進行編碼，初始化種群，計算適應度函數。GA的核心運算為選擇、交叉、變異，通過選擇操作來挑選優化的個體，通過交叉操作和變異操作實現生物遺傳基因的重組。設交叉概率為，兩個配對個體在實施基因交換之后產生新的個體，數學模型為

式中：和分別為第個體和第個體在位置的基因，為區間內隨機數。

設變異概率為，對數值比較小的選擇第個體處于位置的基因進行變異操作，數學模型為

式中：和為基因的最小值和最大值，和為區間內隨機數，為當前迭代次數，為最大迭代次數。

1.4、體育產業創新能力預測模型

我國體育產業總體規模快速發展，體育相關產業、體育消費等指標均顯著提升，但是體育產業在發展實踐中還存在許多的問題，其根源在于體育產業創新能力不足。基于K均值聚類和BP神經網絡構建體育產業創新能力預測模型，具體如圖3所示。

由圖3可知，體育產業創新能力預測模型主要包含三部分：第一部分是對體育產業發展數據庫中數據進行篩選，找出和創新能力相關的各種指標數據，如體育產業科技人數、體育產業研發投入、體育產業經濟收入等，將非量化指標進行量化處理，同時對創新能力指標數據進行歸一化處理，設置聚類數k=3進行歸類分析，得到技術能力、轉化能力、經濟支撐的聚類中心。第二部分是確定網絡拓撲結構，對BP神經網絡進行初始化，同時采用GA算法對BP神經網絡的初始權值及閾值進行優化，得到優化后的BP神經網絡。第三部分是將樣本數據按照8：2的比例劃分為訓練樣本和測試樣本，對BP神經網絡進行訓練學習，同時采用測試樣本驗證體育產業創新能力預測網絡的性能。

2、實例分析

2.1、數據來源

體育產業創新發展是突破發展瓶頸，獲得高質量發展的關鍵所在。各地經濟推進體育產業的創新發展，但是整體的創新能力還有待進一步提升。論文選擇浙江省為例，對浙江省體育產業發展數據庫進行分析，提取創新能力指標，具體如圖4所示。

由圖5可知，科技人才學歷、現有技術、創新激勵機制、創新重視程度以及技術儲備水平五個指標為非量化指標，因此采用問卷調查的方式進行量化處理，同時對所有的創新能力指標數據進行歸一化處理，作為論文研究的原始數據。

2.2、結果分析

利用K均值算法對原始數據進行聚類，得到不同企業體育創新能力的聚類結果。限于論文篇幅限制，僅給出四個體育產業企業的聚類分析結果，如圖5所示。

將聚類分析結果作為改進BP神經網絡的輸入，對體育產業創新能力進行預測。為了驗證本文采用方法的有效性，將其和BP神經網絡預測模型、GA-BP網絡預測模型、K均值-BP網絡模型進行對比，體育產業創新能力預測準確率結果如圖6所示，體育產業創新能力預測運行時間如圖7所示。

由圖6可知，BP網絡和K均值-BP網絡在體育產業創新能力預測方面的準確率相差不大，GA-BP網絡和K均值-GA-BP網絡在體育產業創新能力預測方面的準確率相差不大，同時預測準確率相對比較高，即采用GA算法對BP神經網絡的初始權值與閾值進行優化大大提升了BP神經網絡的性能。

由圖7可知，GA-BP網絡對體育產業創新能力預測所用的時間最長，且遠遠高于其它的預測模型，K均值-BP網絡和K均值-GA-BP網絡對體育產業創新能力預測所用的時間差別不大，即對數據進行K均值聚類之后輸入網絡中能夠使得算法的復雜度大大降低。

綜合對比四種不同的預測模型，K均值-GA-BP網絡在體育產業創新能力預測方面的性能最佳。通過對體育產業創新發展能力的預測來更好地了解體育產業的創新發展狀況，有效地確保體育產業的快速發展。

3、結論

體育產業在帶動當地經濟發展方面發揮著至關重要的作用，突破體育產業發展瓶頸，必須實施體育產業的創新發展。本文基于聚類法分析與神經網絡構建了體育產業創新能力預測的K均值-GA-BP模型，同時將該模型與BP網絡、GA-BP網絡、K均值-BP網絡模型進行對比。結果表明，K均值-GA-BP網絡預測模型對體育產業創新能力預測的準確率比較高，同時模型的運行時間相對也比較短。本論文的研究對定量了解體育產業創新能力，更好地指導體育產業的創新發展具有一定的參考價值。

參考文獻：

[1]張英建.我國體育產業創新驅動型發展機制研究[J].廣州體育學院學報，2019，39（4）.

[2]劉兵.我國體育產業發展的內在動力、存在問題與升級路徑[J].武漢體育學院學報，2019，53（8）.

[3]舒成利，智勇.我國體育產業創新能力與發展策略研究[J].體育文化導刊，2007（5）.

[4]滕守剛.湖北省體育產業創新能力分析及發展對策研究[J].科技進步與對策，2011，28（24）.

[5]Guo Rui， Chen Jinqian， Wang Lin. Hierarchical K-means clustering for registration of multi-view point sets[J].computers and electrical Engineering，2021，（94）.

[6]馬鳳英，于文志.基于BP神經網絡的秸稈發酵過程乙醇濃度軟測量方法[J].傳感器與微系統，2021，40（7）.

[7]陳遠玲，王肖，孫英杰等.基于GA-BP神經網絡的甘蔗收獲質量預測[J].農機化研究，2021，44（2）.

[8]鄭朝沙，符壯.體醫融合相關體育產業創新發展研究[J].廣州體育學院學報，2020，40（1）.

[9]閆巧珍，董禮平.青少年體質健康促進研究現狀[J].體育師友，2019，42（3）.

[10]吳秀云，李華龍.校園體育文化對學生終身體育意識的影響研究[J].當代體育科技，2018，8（28）.

[11]曹衛東.新時代中國體育教育改革創新研究[J].體育文化導刊，2019，（2）.

[12]任海.身體素養與青少年體育改革[J].體育文化與產業研究，2021（1）.

[13]王運成，周春華，陳楚湘，等.基于二叉知識樹推理的可擴展智能排課系統[J].計算機工程與應用，2021，57（5）.

作者簡介：崔朋濤，男，漢族，講師，碩士研究生，研究方向：學校體育學、社會體育學。