论文部分内容阅读
帆船运动是靠自然风力作用于船帆,通过运动员操控风帆和调整船体姿态来保证帆船的高速行驶,是一项集竞技、观赏、探险、娱乐于一体的体育运动项目。帆船比赛受环境(海风、洋流)、运动员操控技术和航线选择策略等多方因素的影响,是体能、技能和智慧的综合较量。若能结合环境、帆船及人的因素,运用科学方法对帆船运动效果进行分析和预测,用以指导日常训练和提高比赛成绩,这无疑是一项具有理论研究和实际应用价值的课题。由于帆船运动的复杂性、时变性和不确定性,用传统的运动力学分析方法研究很难精确,真实地描述其运动规律。本文基于前期《帆船帆板赛场环境监测和运动技术诊断系统开发》课题研究所获得的一系列数据样本建立数据库,提出通过数据挖掘和机器学习等科学方法建立一种帆船航行速度预测模型,并以此作为预测和评价帆船迎风航行有效速度(Velocity Made Good, VMG)的理论基础,期望为帆船运动技术诊断提供科学分析方法。帆船运动速度预测可以看作是一个受环境、帆船及人的因素影响的典型的时间序列预测问题,具有非线性、小样本的特征。作为一种新型的机器学习方法,支持向量机(Support Vector Machine, SVM)在解决小样本,非线性问题上有着独特的优势,现已广泛用于解决机器学习中的模式识别和非线性回归问题,具有预测精度高、收敛速度快及运算简单的特点。本文基于实际采集到的帆船运动相关数据样本,将SVM应用到帆船运动速度回归预测的研究之中。旨在采用支持向量回归机完成帆船相关运动参数的预测。除了实现帆船船速(大小、方向)的预测,本文也对评价帆船迎风航行有效速度的重要参数-VMG做了计算分析和预测。本文首先介绍帆船运动采集数据的预处理(参数归一化)和数据仓库建立的过程,提出一种利用SVM建立帆船船速回归预测模型的新方法,并与经典的后向传播(Back propagation, BP)神经网络进行了学习性能的比较研究,然后探索基于模糊集理论将采集到的时间序列进行粒化,利用SVM对得到的模糊信息粒进行回归预测,从而实现对帆船速度及VMG的未来变化趋势和变化空间的有效预测。本文最后采用实际采集的运动数据作为仿真实例进行预测比对的数据实验,结果表明基于模糊信息粒化的SVM回归预测能够对帆船船速和VMG的未来时段进行准确的预测。