买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南京机电职业技术学院

摘要：本发明涉及一种基于改进AE的运动员最佳负荷力量预测方法，包括以下步骤：步骤1，采集运动员最佳负荷力量特征指标；步骤2，构建改进AE运动员最佳负荷力量预测模型的训练数据集；步骤3，设计改进的AE运动员最佳负荷力量预测模型；步骤4，预训练改进的AE运动员最佳负荷力量预测模型；步骤5，根据模型预测的误差微调改进的AE运动员最佳负荷力量预测模型，以提高模型的精确性。本发明设计了一种改进的AE模型，将AE模型隐含层的输出作为运动员最佳负荷力量预测的特征，同时结合了矩阵分解算法，实现运动员最佳负荷力量的拟合。

主权项：1.基于改进AE的运动员最佳负荷力量预测方法，其特征在于：步骤包括：步骤1：采集运动员最佳负荷力量特征指标：首先根据运动员的年龄、身高、体重、性别，和在卧推抗阻力量训练中记录的平均速度和最大速度，建立待测样本集；步骤2：构建改进AE运动员最佳负荷力量预测模型的训练数据集：在步骤1所采集的样本集中添加对应运动员的最佳负荷力量，获得运动员的最佳负荷力量训练样本集；步骤3：设计改进的AE运动员最佳负荷力量预测模型：首先设计四层改进的AE模型特征输出，在网络模型训练完成后，将输出层替换为最佳负荷力量拟合层；步骤3中设计改进的AE运动员最佳负荷力量预测模型的过程表示如下：改进的AE模型分为输入层、隐含层1、隐含层2、输出层和最佳负荷力量拟合层，其中输入层到隐含层1的计算公式为：x1＝f1w1·x+b11式中，x是训练样本集中所采集的年龄、升高、体重、性别特征数据，w1、b1分别是模型输入层和隐含层1之间的网络权重和网络偏置，x1是隐含层1的输出，f1是网络的非线性映射函数；隐含层1到隐含层2的计算公式为：x2＝f2w2·x1+b22式中，w2、b2分别是模型隐含层1和隐含层2之间的网络权重和网络偏置，x2是隐含层2的输出，f2是网络的非线性映射函数；隐含层2到输出层的计算公式为：y＝f3w3·x2+b33式中，w3、b3分别是模型隐含层2和输出层之间的网络权重和网络偏置，y是输出层的输出，f3是网络的非线性映射函数；训练改进AE网络模型是为了获得网络权重和网络偏置的最优值w1、w2、w3、b1、b2、b3，同时改进的AE网络模型为了优化网络参数设置网络，避免网络过拟合、充分挖掘数据特征信息和增强特征数据的可分性，稀疏自编码器在自动编码器的基础上对网络隐藏层神经元添加稀疏惩罚因子以实现强制性稀疏限制，设置的损失函数为： 式中，N是训练样本的个数，第一项是改进AE网络模型输出与输入之间的误差，第二项λ是控制权重衰减项在损失函数中作用大小的系数，ρ是网络模型的稀疏性参数，ρj是第j个神经元的平均活跃度；把输出层替换为最佳负荷力量拟合层，将训练样本隐含层2的输出特征在分类性能衰减最小的约束下，通过逐步移除不相关的特征，选取出与负荷力量最相关的特征子集，从而减小矩阵分解的复杂度，通过缩减不相关特征可降低模型的泛化误差，提高模型的预测能力，矩阵相关性计算公式如下： x2i、x2j分别是隐含层2输出的第i个特征和第j个特征，εij是第i个特征和第j个特征的关联度；将筛选后的特征作为运动员最佳负荷力量拟合的特征和待测样本筛选后的特征，与已知训练样本的最佳负荷力量组成混合矩阵R，将混合矩阵进行分解，混合矩阵中待测样本的最佳负荷力量设为缺失项，同时把混合矩阵分解为低维矩阵U、V：R≈U×V6矩阵分解的最优解是使得分解矩阵的损失函数最小：LU,V＝R-UV27分解得到低维矩阵后，重构含有缺失项的混合矩阵R’：R'＝U×V8获得重构后的混合矩阵R’后，在混合矩阵中获得待测样本的最佳负荷力量；步骤4：预训练改进的AE运动员最佳负荷力量预测模型：步骤2获得的训练样本用于训练步骤3设计的改进AE网络模型，通过逐层贪婪训练获得训练后的改进AE网络模型；改进AE网络模型的输入层节点数为6，隐含层1节点数为20，隐含层2节点数为4，输出层节点数为6，权重衰减项系数为0.0002，稀疏惩罚项系数为2，稀疏性系数为0.01.网络迭代次数为1000；步骤4中预训练改进的AE运动员最佳负荷力量预测模型的过程表示如下：步骤4.1，训练第一个改进的AE网络模型，以最小化重构误差为目标，将公式4作为网络目标损失函数，通过梯度下降法训练并调整模型的各连接层之间的权重系数w1和偏置系数b1，在获得输入层到隐含层1的权重和偏置；步骤4.2，将步骤4.1训练后的隐含层1的输出作为第二个改进的AE网络模型的输入，重复步骤1中训练过程，获得隐含层1到隐含层2的权重和偏置；步骤4.3，将步骤4.1训练后的隐含层2的输出作为第三个改进的AE网络模型的输入，重复步骤1中训练过程，获得隐含层2到输出层的权重和偏置；步骤4.4，移除各单层自编码网络的输出层，将输入层、隐含层1、隐含层2按照顺序全连接，获得改进AE网络模型的特征输出；步骤4.5，在隐含层2的输出之后连接最佳负荷力量拟合层，将混合矩阵进行分解重构操作后获得基于改进AE的运动员最佳负荷力量预测值；步骤5：根据模型预测的误差微调改进的AE运动员最佳负荷力量预测模型，重新构建改进AE网络模型的损失函数，通过梯度下降法对网络的权重和偏置进行调整，完成网络模型的微调。

全文数据：

权利要求：

百度查询： 南京机电职业技术学院 基于改进AE的运动员最佳负荷力量预测方法