因子分析和神经网络相融合的体育成绩预测模型
陈岷
摘 要： 预测体育成绩是制定科学体育训练规划的关键，针对当前模型预测精度低的问题，提出因子分析与神经网络相融合的体育成绩预测模型。根据体育成绩先验信息构建自相似回归模型，对体育成绩数据进行经验模态分解和因子分析，采用BP神经网络建立体育成绩预测模型，并通过仿真实验对性能进行测试，结果表明，采用该模型进行体育成绩预测的精度较高，收敛性较好。
关键词： 经验模态分解； 时间序列； 因子分析； 神经网络
中图分类号： TN711?34； TP391 文献标识码： A 文章编号： 1004?373X（2017）05?0130?04
Abstract： The sports result prediction is the key to formulate the scientific sports training plan. Aiming at the low prediction accuracy of the current models， a sports result prediction model fusing the factor analysis with neural network is put forward. The self?similarity regression model was constructed according to the sports result apriori information. And then the empirical mode decomposition and factor analysis were conducted for the sports result data. The BP neural network is used to establish the sports result prediction model. The performance of the model was tested with simulation experiments. The results show that the model has higher precision of sports result prediction， and good convergence property.
Keywords： empirical mode decomposition； time series； factor analysis； neural network
0 引 言
体育成绩是反应体育训练水平的重要表现，通过对体育成绩的准确预测能挖掘出人体训练的规则性因子和特征，从而促进运动训练和体育教学的改进。因此，研究体育成绩的预测模型在促进科学训练、提高运动成绩方面具有重要意义。
体育成绩的预测准确度受到的约束因素较多，如人体特征的变化、性别、年龄、天气、运动场馆以及各种环境因素。对体育成绩的预测模型是一个多变量和多参量的统计分析过程，涉及的学科有统计学、信息处理学和现代数学[1]。传统方法中，对体育成绩的预测方法有基于AR模型估计的体育成绩预测算法[2]、特征空间分解方法[3]、经验模态分解方法[4]、基于小波分析的体育成绩时间序列预测方法等[5]。建立体育成绩的线性拟合特征空间，采用多参量约束重构方法构建预测模型，具有较好的预测效果。但这些方法存在计算开销大、预测过程中对参量的自适应抗干扰性差等问题，导致预测的精度低。
针对上述问题，本文提出基于因子分析和神经网络相融合的体育成绩预测模型。对统计的体育成绩先验信息构建自相似回归模型，在自相似回归模型中对体育成绩时间序列进行经验模态分解和因子分析，采用BP神经网络分类模型进行体育成绩的特征信息聚类和信息融合处理，实现预测模型优化。最后通过仿真实验进行测试，得出有效性结论，展示了本文预测模型在提高预测精度方面的优越性。
1 体育成绩预测的数学模型
1.1 体育成绩统计参数分析
體育成绩数据可以看作是一组非线性时间序列。采用非线性时间序列方法分析体育成绩的走势，统计分析体育成绩，采用一个多元统计特征方程描述体育成绩的拟合状态模型为：
最后得到的[ykN-1k=1]是一个具有可预测性的体育成绩时间序列。在BP神经网络中通过对体育成绩的信息属性分类，进行体育成绩的特征信息聚类和信息融合处理，实现预测模型优化设计。
3 结果与分析
采样样本来自于某高校大一和大二学生的体育成绩，包括的体育项目有3 km长跑、100 m短跑、游泳等。对采集的体育成绩进行统计分析和最小二乘拟合，并在Matlab仿真软件中分析数据。神经网络采用的是三层网络结构，学习训练参数为[NEj*（t）=1+9e-t1 024=12，]体育成绩测试集中，码数为1 024个，环境信息对预测模型的干扰强度设定为13 dB，数据采样的时间间隔为1.5 d，迭代次数为10 000次。
根据上述仿真设定，设计体育成绩预测模型，得到样本数据时域波形描述如图2所示。
以上述采集的体育成绩统计样本为测试集，进行体育成绩预测模型仿真分析，得到不同方法的预测误差对比结果如图3所示。
根据上述仿真结果，得出如下结论：
（1） 随着迭代步数的增多，预测误差降低，这是因为通过多次迭代，使用体育成绩的先验信息较多，使得预测精度提高。
（2） 利用本文模型进行体育成绩预测的误差小于传统方法，相差的最大幅度达到35.98%。由于本文方法使用因子分析和神经网络训练，进行体育成绩的数据信息聚类和融合，提高了预测精度，在收敛性和稳健性方面具有较好的表现。
4 结 语
为了提高体育运动训练的科学指导性，进行体育成绩预测，提出了因子分析和神经网络相融合的体育成绩预测模型。并对本文提出的模型进行性能测试，结果表明，本文模型提高了体育成绩预测的精度，而且预测误差可以满足实际应用的要求。
参考文献
[1] 赵波.十项全能世界顶尖男子运动员成绩分析及预测研究[J].体育文化导刊，2013（3）：76?79.
[2] 赵丙军.运用多元回归方法建立我国男子跳远项目训练模型的研究[J].西安体育学院学报，2011，18（1）：81?82.
[3] 魏春玲.我国十项全能运动成绩的因子分析及灰色系统回归预测研究[J].体育科学，2004，24（11）：51?53.
[4] 刘国璧，袁宏俊，孙群，等.基于模糊神经网络的刘翔110 m栏成绩预测[J].安徽电子信息职业技术学院学报，2011，10（1）：16?18.
[5] 龙斌.基于支持向量机的刘翔110m栏成绩预测[J].天津体育学院学报，2009，24（4）：330?333.
[6] 王宗平，孙光.应用BP神经网络算法对运动成绩预测的实证研究[J].南京体育学院学报，2006，20（4）：109?111.
[7] 庄冲，王宗平.灰色系统模型与BP神经网络模型在体育成绩预测方面的比较研究[J].南京体育学院学报，2006，20（6）：134?135.
[8] 李征宇，闫生.神经网络模型在运动成绩预测中的应用[J].哈尔滨体育学院学报，2009，27（2）：110?113.
[9] 刘昊.非线性筛选因子和加权的体育成绩建模与预测[J].计算机应用与软件，2014，31（11）：105?108.
摘 要： 预测体育成绩是制定科学体育训练规划的关键，针对当前模型预测精度低的问题，提出因子分析与神经网络相融合的体育成绩预测模型。根据体育成绩先验信息构建自相似回归模型，对体育成绩数据进行经验模态分解和因子分析，采用BP神经网络建立体育成绩预测模型，并通过仿真实验对性能进行测试，结果表明，采用该模型进行体育成绩预测的精度较高，收敛性较好。
关键词： 经验模态分解； 时间序列； 因子分析； 神经网络
中图分类号： TN711?34； TP391 文献标识码： A 文章编号： 1004?373X（2017）05?0130?04
Abstract： The sports result prediction is the key to formulate the scientific sports training plan. Aiming at the low prediction accuracy of the current models， a sports result prediction model fusing the factor analysis with neural network is put forward. The self?similarity regression model was constructed according to the sports result apriori information. And then the empirical mode decomposition and factor analysis were conducted for the sports result data. The BP neural network is used to establish the sports result prediction model. The performance of the model was tested with simulation experiments. The results show that the model has higher precision of sports result prediction， and good convergence property.
Keywords： empirical mode decomposition； time series； factor analysis； neural network
0 引 言
体育成绩是反应体育训练水平的重要表现，通过对体育成绩的准确预测能挖掘出人体训练的规则性因子和特征，从而促进运动训练和体育教学的改进。因此，研究体育成绩的预测模型在促进科学训练、提高运动成绩方面具有重要意义。
体育成绩的预测准确度受到的约束因素较多，如人体特征的变化、性别、年龄、天气、运动场馆以及各种环境因素。对体育成绩的预测模型是一个多变量和多参量的统计分析过程，涉及的学科有统计学、信息处理学和现代数学[1]。传统方法中，对体育成绩的预测方法有基于AR模型估计的体育成绩预测算法[2]、特征空间分解方法[3]、经验模态分解方法[4]、基于小波分析的体育成绩时间序列预测方法等[5]。建立体育成绩的线性拟合特征空间，采用多参量约束重构方法构建预测模型，具有较好的预测效果。但这些方法存在计算开销大、预测过程中对参量的自适应抗干扰性差等问题，导致预测的精度低。
针对上述问题，本文提出基于因子分析和神经网络相融合的体育成绩预测模型。对统计的体育成绩先验信息构建自相似回归模型，在自相似回归模型中对体育成绩时间序列进行经验模态分解和因子分析，采用BP神经网络分类模型进行体育成绩的特征信息聚类和信息融合处理，实现预测模型优化。最后通过仿真实验进行测试，得出有效性结论，展示了本文预测模型在提高预测精度方面的优越性。
1 体育成绩预测的数学模型
1.1 体育成绩统计参数分析
體育成绩数据可以看作是一组非线性时间序列。采用非线性时间序列方法分析体育成绩的走势，统计分析体育成绩，采用一个多元统计特征方程描述体育成绩的拟合状态模型为：
最后得到的[ykN-1k=1]是一个具有可预测性的体育成绩时间序列。在BP神经网络中通过对体育成绩的信息属性分类，进行体育成绩的特征信息聚类和信息融合处理，实现预测模型优化设计。
3 结果与分析
采样样本来自于某高校大一和大二学生的体育成绩，包括的体育项目有3 km长跑、100 m短跑、游泳等。对采集的体育成绩进行统计分析和最小二乘拟合，并在Matlab仿真软件中分析数据。神经网络采用的是三层网络结构，学习训练参数为[NEj*（t）=1+9e-t1 024=12，]体育成绩测试集中，码数为1 024个，环境信息对预测模型的干扰强度设定为13 dB，数据采样的时间间隔为1.5 d，迭代次数为10 000次。
根据上述仿真设定，设计体育成绩预测模型，得到样本数据时域波形描述如图2所示。
以上述采集的体育成绩统计样本为测试集，进行体育成绩预测模型仿真分析，得到不同方法的预测误差对比结果如图3所示。
根据上述仿真结果，得出如下结论：
（1） 随着迭代步数的增多，预测误差降低，这是因为通过多次迭代，使用体育成绩的先验信息较多，使得预测精度提高。
（2） 利用本文模型进行体育成绩预测的误差小于传统方法，相差的最大幅度达到35.98%。由于本文方法使用因子分析和神经网络训练，进行体育成绩的数据信息聚类和融合，提高了预测精度，在收敛性和稳健性方面具有较好的表现。
4 结 语
为了提高体育运动训练的科学指导性，进行体育成绩预测，提出了因子分析和神经网络相融合的体育成绩预测模型。并对本文提出的模型进行性能测试，结果表明，本文模型提高了体育成绩预测的精度，而且预测误差可以满足实际应用的要求。
参考文献
[1] 赵波.十项全能世界顶尖男子运动员成绩分析及预测研究[J].体育文化导刊，2013（3）：76?79.
[2] 赵丙军.运用多元回归方法建立我国男子跳远项目训练模型的研究[J].西安体育学院学报，2011，18（1）：81?82.
[3] 魏春玲.我国十项全能运动成绩的因子分析及灰色系统回归预测研究[J].体育科学，2004，24（11）：51?53.
[4] 刘国璧，袁宏俊，孙群，等.基于模糊神经网络的刘翔110 m栏成绩预测[J].安徽电子信息职业技术学院学报，2011，10（1）：16?18.
[5] 龙斌.基于支持向量机的刘翔110m栏成绩预测[J].天津体育学院学报，2009，24（4）：330?333.
[6] 王宗平，孙光.应用BP神经网络算法对运动成绩预测的实证研究[J].南京体育学院学报，2006，20（4）：109?111.
[7] 庄冲，王宗平.灰色系统模型与BP神经网络模型在体育成绩预测方面的比较研究[J].南京体育学院学报，2006，20（6）：134?135.
[8] 李征宇，闫生.神经网络模型在运动成绩预测中的应用[J].哈尔滨体育学院学报，2009，27（2）：110?113.
[9] 刘昊.非线性筛选因子和加权的体育成绩建模与预测[J].计算机应用与软件，2014，31（11）：105?108.
