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：武汉体育学院

摘要：本发明公开了基于人工智能的皮划艇技术动作预测方法及系统，方法包括：皮划艇技术动作数据采集、特征提取、构建动作分类模型、构建技术动作预测模型和技术动作评估与优化。本发明属于数据处理技术领域，具体是指基于人工智能的皮划艇技术动作预测方法及系统，本方案采用将样本数据分为正常数据和异常数据，通过最小化正则项函数求得最优的权重向量，设置约束条件，使用拉格朗日乘数法求解得到分类问题的优化函数；采用均值模糊聚类算法将数据分为训练集和测试集，提取样本，生成决策树并设置终止条件，计算非零叶子节点的权重，并计算决策树的权重，建立技术动作预测模型，得到最终的技术动作预测结果。

主权项：1.基于人工智能的皮划艇技术动作预测方法，其特征在于：该方法包括以下步骤：步骤S1：皮划艇技术动作数据采集，通过窗口化处理和数据分割，实时采集皮划艇运动员的技术动作数据；步骤S2：特征提取；步骤S3：构建动作分类模型，将样本数据分为正常数据和异常数据，通过最小化正则项函数求得最优的权重向量，设置约束条件，使用拉格朗日乘数法求解得到分类问题的优化函数；步骤S4：构建技术动作预测模型，使用均值模糊聚类算法将数据分为训练集和测试集，引导重采样从训练集中提取样本，生成决策树并设置终止条件，计算非零叶子节点的权重，并计算决策树的权重，建立技术动作预测模型，得到最终的技术动作预测结果；步骤S5：技术动作评估与优化；在步骤S3中，所述构建动作分类模型，包括以下步骤：步骤S31：划分样本数据，所用公式如下： ；式中，g（x）表示分类函数，用于判断输入样本x所属的类别，W表示超平面的法向量，b是超平面的偏置项，x表示输入样本的特征向量，用于描述动作的特征，包括动作的加速度、角速度，Wt表示W的转置；步骤S32：将样本数据分为正常状态和异常状态，计算分类依据，所用公式如下： ；式中，y表示样本数据的标签，即样本的真实分类，正常状态，标签y为1，异常状态，标签y为-1；步骤S33：求解优化约束问题，所用公式如下： ； ；式中，ω表示权重向量，表示正则化项函数，通过降低权重向量的大小，降低分类函数的复杂度，防止过拟合现象出现，M是一个常数，用来约束权重向量的长度，限制在一个合理范围内，通过调整M的数值，对权重向量的大小进行限制，求得最优的权重向量；步骤S34：定义约束条件，限制每个样本的预测分类结果与真实结果之间的关系，所用公式如下： ；步骤S35：使用拉格朗日乘数求解，得到分类问题的优化函数，所用公式如下： ；式中，f（x）是优化函数，sgn表示符号函数，α表示拉格朗日函数的乘数，用于对约束条件进行建模和优化；在步骤S4中，所述构建技术动作预测模型，包括以下步骤：步骤S41：数据分割，使用均值模糊聚类算法对数据进行处理，将数据分为训练集和测试集两部分，通过引导重采样从训练集中提取样本大小，每个训练集生成成对的决策树，决策树生成中，从每个分裂节点的维度属性特征中提取M1维度属性特征，遍历这些属性及其对应的值，计算最小均方值，得到最优分割标准，训练每棵决策树，直到达到终止条件；步骤S42：计算每个非零叶子节点的权重，所用公式如下： ；式中，mx表示非零叶子节点的权重，x表示样本的索引，t（x∈L（θ））表示样本x属于当前叶子节点的个数，L（θ）表示当前的叶子节点，S表示总样本的个数；步骤S43：计算决策树的权重，所用公式如下： ；式中，mn表示第n棵决策树的权重，L表示叶子节点的索引，mL表示每个叶子节点的权重，JL表示每个叶子节点的预测结果，L1表示叶子节点的总数，表示所有叶子节点权重的累加和，表示所有样本的权重的累加和；步骤S44：建立技术动作预测模型，保存决策树的根、节点和权重，建立技术动作预测模型，每棵决策树都被培育出来，培育过程中的分裂准则就像模型一样，获得每棵树的预测结果后，利用测试集生成的权重数据，使用加权平均得到最终的预测，所用公式如下： ；式中，j表示最终的预测结果，Z表示决策树的总数，Jn表示第n棵决策树的预测结果。

全文数据：

权利要求：

百度查询： 武汉体育学院 基于人工智能的皮划艇技术动作预测方法及系统