捕鱼算法优化极限学习机的运动员成绩预测
尚谭伟
摘 要： 针对当前运动员成绩预测精度低的难题，提出捕鱼算法优化极限学习机的运动员成绩预测模型。收集运动员成绩的时间序列，进行聚类分析建立学习样本，采用极限学习机对学习样本进行训练，并采用捕鱼算法对极限学习进行优化，建立运动员成绩预测模型，最后采用具体数据对运动员成绩预测性能进行测试。测试结果表明，该模型可以准确拟合运动员成绩的变化特点，获得了较高精度的运动员成绩预测结果，而且预测结果要显著优于其他模型，具有较高的实际应用价值。
关键词： 捕鱼算法； 极限学习机； 运动员成绩； 预测模型
中图分类号： TN911.1?34； TP311 文献标识码： A 文章编号： 1004?373X（2017）15?0097?04
Abstract： Since the athlete performance prediction accuracy is low， an athlete performance prediction model based on fishing algorithm optimizing extreme learning machine is put forward. The time sequence of the athlete performance is collected to perform the clustering analysis to establish the learning sample. The extreme learning machine is used to train the learning sample. The fishing algorithm is adopted to optimize the extreme learning to establish the athlete performance prediction model. The specific data is used to test the prediction performance of athletes result. The results show that the model can fit the change characteristics of athletes performance accurately， its prediction result is better than that of other models， and has high practical application value.
Keywords： fishing algorithm； extreme learning machine； athlete performance； prediction model
0 引 言
运动员成绩可以准确描述运动员生理和竞技状态，直接影响运动水平的发挥，对运动员成绩建立预测模型，对他们将来的成绩进行预测，有利于科学分析运动员的生理和技术特点，合理制定运动员的训练规划，提高运动员成绩[1?3]。
运动员成绩预测问题受到人们的高度关注，当前有许多类型的运动员成绩预测模型[4]。通常情况下，首先采集運动员成绩的历史数据，并对历史数据进行预处理，如聚类分析等，然后采用一定方法对运动员成绩数据进行建模分析，构建相应的运动员成绩预测模型，预测方法目前很多，如灰色模型、隐马尔可夫模型、神经网络等[5?7]，其中灰色模型的可操作性差，隐马尔可夫模型的通用性差，而神经网络具有良好的非线性拟合能力，可以对运动员成绩进行有效描述，成为运动员成绩预测中应用最为广泛的一种。在实际应用中，传统神经网络的学习效率低，迭代次数多，对运动员成绩的建模效率产生了不良影响[8]。极限学习机是一种新型的神经网络，较好地解决了传统神经网络结构复杂、学习时间长的缺陷，为运动员成绩预测建模提供了一种新的研究工具。
为了提高运动员成绩的预测精度，提出捕鱼算法优化极限学习机的运动员成绩预测模型。首先对运动员成绩的时间序列进行聚类分析，然后采用极限学习机对学习样本进行训练，并采用捕鱼算法对极限学习进行优化，建立运动员成绩预测模型，最后测试结果表明，该模型获得了较高精度的运动员成绩预测结果，而且预测结果要显著优于其他模型。
1 运动员成绩的聚类分析
每一个运动员成绩的历史样本很多，为了加快运动员成绩的建模速度，首先对运动员成绩历史样本进行聚类分析，选择与前期运动员成绩数据样本有关系的样本进行学习，减少训练样本的数量，简化模型结构，本文采用模糊C均值算法对运动员成绩进行预处理。
模糊C均值算法根据隶属度来描述数据点所归属的类别，设原始运动员成绩共有类，即，采用模糊隶属矩阵描述类别之间的联系，为第点属于类的隶属度，而且满足如下条件：
2 极限学习机和捕鱼算法
2.1 极限学习机
设训练样本为极限学习机的回归约束条件为：
2.2 捕鱼算法
捕鱼算法是一种随机优化算法，模拟渔夫捕鱼行为，在一个打鱼区域有多个渔夫，设第人渔夫的初次撒网位置为，采用描述鱼密度的评价函数，该渔夫下一次撒网的点集为：
（1） 如果满足条件，同时符合那么表示新位置的鱼密度更高，此时渔夫就移动到然后以为起点，进行下一次撒网位置点的搜索，不断重复该过程，渔夫最后在该区域搜索到一个最优撒网点。
（2） 渔夫经过次移动后，达到了位置：如果满足条件：，此时渔夫就确定在处进行撒网，产生一个撒网点集：
（3） 不停进行位置移动后，渔夫最优位置为，且满足如下条件：
式中表示一个常数[10]。
3 捕鱼算法优化极限学习机的运动员成绩预测模型
（1） 收集运动员成绩的时间序列，对其进行归一化处理，具体如下：
（2） 对归一化后的运动员成绩进行聚类分析，减少训练样本的数量。
（3） 将聚类分析的样本划分为训练集和测试集。
（4） 极限学习机对训练集进行训练，并采用捕鱼算法对极限学习进行优化，建立运动员成绩预测模型。
（5） 采用测试集对运动员成绩预测模型的性能进行测试。
4 运动员成绩的预测实例
4.1 数据来源
选择某运动员的100 m跑成绩作为实验对象，历史数据分布如图1所示，选择100个数据作为训练样本建立运动员成绩预测模型，其余150个数据作为测试数据。
4.2 结果与分析
4.2.1 本文模型的拟合和预测性能分析
采用建立好的運动员成绩预测模型对100个训练样本进行拟合，得到的结果如图2所示。对图2进行分析可知，本文模型的拟合精度很高，超过了90%，可以有效拟合运动员成绩的变化特点。
一个运动员成绩预测模型的拟合性能很重要，泛化能力更重要，对50个测试样本的预测结果进行统计，结果如图3所示。从图3可知，本文可以很好地对运动员成绩进行准确预测，泛化能力强，主要是由于本文模型综合了捕鱼算法和极限学习机的优点，同时，对样本进行了聚类分析，建立了精度高的运动员成绩模型。
4.2.2 对其他运动员成绩的预测结果
为了分析捕鱼算法优化极限学习机的运动员成绩预测的通用性，采用多个类型的运动员进行测试，它们的拟合和预测精度如表1所示。从表1可以发现，捕鱼算法优化极限学习机的运动员成绩预测模型的拟合精度均超过90%，而且预测精度也大于85%，证明了本文模型的通用性强。
4.2.3 与其他运动员成绩预测模型的结果比较
选择灰色模型、BP神经网络、RBF神经网络进行对比测试，选择1 000 m跑成绩作为实验对象，它们的结果如表2所示。从表2可以看出，本文模型的运动员成绩拟合性能和预测性能均要优于对比模型。
5 结 语
为了克服当前运动员成绩预测模型的缺陷，提出捕鱼算法优化极限学习机的运动员成绩预测模型，采用聚类分析对运动员成绩的历史样本进行预处理，减少训练样本的规模，采用极限学习机对运动员成绩进行非线性拟合，并通过捕鱼算法对极限学习机进行优化，加快运动员建模速度。测试结果表明，本文模型提高了运动员成绩的预测精度，预测误差满足实际应用要求。
参考文献
[1] 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.
[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，2001，18（1）：81?82.
[3] 周伟.对中外优秀女子三级跳远运动员三跳技术的灰色关联分析[J].吉林体育学院学报，2004，20（3）：64?65.
[4] 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.
[5] 龙斌.基于支持向量机的刘翔110 m栏成绩预测[J].天津体育学院学报，2009，24（4）：330?333.
[6] 邓美兰，张珍.奥运会男子十项全能前三名成绩的灰色预测模型的研究[J].数学的实践与认识，2009，39（18）：44?49.
[7] 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.
[8] 戴敏.基于数据挖掘的运动员体能测试数据分析[J].计算机工程与应用，2003（9）：38?40.
[9] 成天乐，周胜瑜，李斯，等.基于极限学习机方法的短期负荷预测[J].电力科学与工程，2013，29（4）：24?25.
[10] 王勇，陈建荣，庞兴.一种模拟渔夫捕鱼的寻优算法[J].计算机应用研究，2008，26（8）：2888?2890.
摘 要： 针对当前运动员成绩预测精度低的难题，提出捕鱼算法优化极限学习机的运动员成绩预测模型。收集运动员成绩的时间序列，进行聚类分析建立学习样本，采用极限学习机对学习样本进行训练，并采用捕鱼算法对极限学习进行优化，建立运动员成绩预测模型，最后采用具体数据对运动员成绩预测性能进行测试。测试结果表明，该模型可以准确拟合运动员成绩的变化特点，获得了较高精度的运动员成绩预测结果，而且预测结果要显著优于其他模型，具有较高的实际应用价值。
关键词： 捕鱼算法； 极限学习机； 运动员成绩； 预测模型
中图分类号： TN911.1?34； TP311 文献标识码： A 文章编号： 1004?373X（2017）15?0097?04
Abstract： Since the athlete performance prediction accuracy is low， an athlete performance prediction model based on fishing algorithm optimizing extreme learning machine is put forward. The time sequence of the athlete performance is collected to perform the clustering analysis to establish the learning sample. The extreme learning machine is used to train the learning sample. The fishing algorithm is adopted to optimize the extreme learning to establish the athlete performance prediction model. The specific data is used to test the prediction performance of athletes result. The results show that the model can fit the change characteristics of athletes performance accurately， its prediction result is better than that of other models， and has high practical application value.
Keywords： fishing algorithm； extreme learning machine； athlete performance； prediction model
0 引 言
运动员成绩可以准确描述运动员生理和竞技状态，直接影响运动水平的发挥，对运动员成绩建立预测模型，对他们将来的成绩进行预测，有利于科学分析运动员的生理和技术特点，合理制定运动员的训练规划，提高运动员成绩[1?3]。
运动员成绩预测问题受到人们的高度关注，当前有许多类型的运动员成绩预测模型[4]。通常情况下，首先采集運动员成绩的历史数据，并对历史数据进行预处理，如聚类分析等，然后采用一定方法对运动员成绩数据进行建模分析，构建相应的运动员成绩预测模型，预测方法目前很多，如灰色模型、隐马尔可夫模型、神经网络等[5?7]，其中灰色模型的可操作性差，隐马尔可夫模型的通用性差，而神经网络具有良好的非线性拟合能力，可以对运动员成绩进行有效描述，成为运动员成绩预测中应用最为广泛的一种。在实际应用中，传统神经网络的学习效率低，迭代次数多，对运动员成绩的建模效率产生了不良影响[8]。极限学习机是一种新型的神经网络，较好地解决了传统神经网络结构复杂、学习时间长的缺陷，为运动员成绩预测建模提供了一种新的研究工具。
为了提高运动员成绩的预测精度，提出捕鱼算法优化极限学习机的运动员成绩预测模型。首先对运动员成绩的时间序列进行聚类分析，然后采用极限学习机对学习样本进行训练，并采用捕鱼算法对极限学习进行优化，建立运动员成绩预测模型，最后测试结果表明，该模型获得了较高精度的运动员成绩预测结果，而且预测结果要显著优于其他模型。
1 运动员成绩的聚类分析
每一个运动员成绩的历史样本很多，为了加快运动员成绩的建模速度，首先对运动员成绩历史样本进行聚类分析，选择与前期运动员成绩数据样本有关系的样本进行学习，减少训练样本的数量，简化模型结构，本文采用模糊C均值算法对运动员成绩进行预处理。
模糊C均值算法根据隶属度来描述数据点所归属的类别，设原始运动员成绩共有类，即，采用模糊隶属矩阵描述类别之间的联系，为第点属于类的隶属度，而且满足如下条件：
2 极限学习机和捕鱼算法
2.1 极限学习机
设训练样本为极限学习机的回归约束条件为：
2.2 捕鱼算法
捕鱼算法是一种随机优化算法，模拟渔夫捕鱼行为，在一个打鱼区域有多个渔夫，设第人渔夫的初次撒网位置为，采用描述鱼密度的评价函数，该渔夫下一次撒网的点集为：
（1） 如果满足条件，同时符合那么表示新位置的鱼密度更高，此时渔夫就移动到然后以为起点，进行下一次撒网位置点的搜索，不断重复该过程，渔夫最后在该区域搜索到一个最优撒网点。
（2） 渔夫经过次移动后，达到了位置：如果满足条件：，此时渔夫就确定在处进行撒网，产生一个撒网点集：
（3） 不停进行位置移动后，渔夫最优位置为，且满足如下条件：
式中表示一个常数[10]。
3 捕鱼算法优化极限学习机的运动员成绩预测模型
（1） 收集运动员成绩的时间序列，对其进行归一化处理，具体如下：
（2） 对归一化后的运动员成绩进行聚类分析，减少训练样本的数量。
（3） 将聚类分析的样本划分为训练集和测试集。
（4） 极限学习机对训练集进行训练，并采用捕鱼算法对极限学习进行优化，建立运动员成绩预测模型。
（5） 采用测试集对运动员成绩预测模型的性能进行测试。
4 运动员成绩的预测实例
4.1 数据来源
选择某运动员的100 m跑成绩作为实验对象，历史数据分布如图1所示，选择100个数据作为训练样本建立运动员成绩预测模型，其余150个数据作为测试数据。
4.2 结果与分析
4.2.1 本文模型的拟合和预测性能分析
采用建立好的運动员成绩预测模型对100个训练样本进行拟合，得到的结果如图2所示。对图2进行分析可知，本文模型的拟合精度很高，超过了90%，可以有效拟合运动员成绩的变化特点。
一个运动员成绩预测模型的拟合性能很重要，泛化能力更重要，对50个测试样本的预测结果进行统计，结果如图3所示。从图3可知，本文可以很好地对运动员成绩进行准确预测，泛化能力强，主要是由于本文模型综合了捕鱼算法和极限学习机的优点，同时，对样本进行了聚类分析，建立了精度高的运动员成绩模型。
4.2.2 对其他运动员成绩的预测结果
为了分析捕鱼算法优化极限学习机的运动员成绩预测的通用性，采用多个类型的运动员进行测试，它们的拟合和预测精度如表1所示。从表1可以发现，捕鱼算法优化极限学习机的运动员成绩预测模型的拟合精度均超过90%，而且预测精度也大于85%，证明了本文模型的通用性强。
4.2.3 与其他运动员成绩预测模型的结果比较
选择灰色模型、BP神经网络、RBF神经网络进行对比测试，选择1 000 m跑成绩作为实验对象，它们的结果如表2所示。从表2可以看出，本文模型的运动员成绩拟合性能和预测性能均要优于对比模型。
5 结 语
为了克服当前运动员成绩预测模型的缺陷，提出捕鱼算法优化极限学习机的运动员成绩预测模型，采用聚类分析对运动员成绩的历史样本进行预处理，减少训练样本的规模，采用极限学习机对运动员成绩进行非线性拟合，并通过捕鱼算法对极限学习机进行优化，加快运动员建模速度。测试结果表明，本文模型提高了运动员成绩的预测精度，预测误差满足实际应用要求。
参考文献
[1] 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.
[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，2001，18（1）：81?82.
[3] 周伟.对中外优秀女子三级跳远运动员三跳技术的灰色关联分析[J].吉林体育学院学报，2004，20（3）：64?65.
[4] 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.
[5] 龙斌.基于支持向量机的刘翔110 m栏成绩预测[J].天津体育学院学报，2009，24（4）：330?333.
[6] 邓美兰，张珍.奥运会男子十项全能前三名成绩的灰色预测模型的研究[J].数学的实践与认识，2009，39（18）：44?49.
[7] 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.
[8] 戴敏.基于数据挖掘的运动员体能测试数据分析[J].计算机工程与应用，2003（9）：38?40.
[9] 成天乐，周胜瑜，李斯，等.基于极限学习机方法的短期负荷预测[J].电力科学与工程，2013，29（4）：24?25.
[10] 王勇，陈建荣，庞兴.一种模拟渔夫捕鱼的寻优算法[J].计算机应用研究，2008，26（8）：2888?2890.
