基于人工智能的皮划艇技术动作预测方法及系统

本发明属于数据处理，具体是基于人工智能的皮划艇技术动作预测方法及系统。

背景技术：

1、皮划艇技术动作预测是一种利用数据分析和机器学习技术，对皮划艇运动员的动作进行预测的方法，通过建立模型和算法，对未来动作进行预测和模拟，提升运动员的技术水平和训练效果，旨在帮助皮划艇运动员优化训练计划、改进技术动作，并提供实时反馈。但是现有的皮划艇技术动作预测存在皮划艇运动员动作描述不准确，难以及时纠正动作缺陷的技术问题；存在误判皮划艇技术动作数据，导致错误的训练指导，影响技术动作的准确性和技术水平的提升的技术问题；存在技术动作的预测不准确，会导致运动员在关键技术方面得不到有效的训练，影响运动员的技术水平提高的技术问题。

技术实现思路

1、针对上述情况，为克服现有技术的缺陷，本发明提供了基于人工智能的皮划艇技术动作预测方法及系统，针对存在皮划艇运动员动作描述不准确，难以及时纠正动作缺陷的技术问题，采用采集定位数据，安装压力传感器并进行惯性测量，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；针对存在误判皮划艇技术动作数据，导致错误的训练指导，影响技术动作的准确性和技术水平的提升的技术问题，采用将样本数据进行二元分类，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；针对存在技术动作的预测不准确，会导致运动员在关键技术方面得不到有效的训练，影响运动员的技术水平提高的技术问题，采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。

2、本发明采取的技术方案如下：本发明提供的基于人工智能的皮划艇技术动作预测方法，该方法包括以下步骤：

3、步骤s1：皮划艇技术动作数据采集，采集定位数据，安装压力传感器并进行惯性测量，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；

4、步骤s2：特征提取，将预处理后的技术动作数据进行特征选择，得到样本数据；

5、步骤s3：构建动作分类模型，将样本数据进行二元分类，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；

6、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，对数据进行归一化处理，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；

7、步骤s5：技术动作评估与优化，定义动作评估指标，并定制优化策略。

8、进一步地，在步骤s1中，所述皮划艇技术动作数据采集，包括以下步骤：

9、步骤s11：采集定位数据，使用gps设备记录皮划艇的位置和速度信息；

10、步骤s12：安装压力传感器，在皮划艇的座椅和桨在接触到水面的位置安装压力传感器，测量运动员对桨杆施加的力度和角度；

11、步骤s13：惯性测量，集成加速度计、陀螺仪和磁强计的传感器系统，测量皮划艇运动员的姿态、加速度和旋转速度；

12、步骤s14：技术动作捕捉，为了实时采集皮划艇运动员的技术动作数据，对动作捕捉数据进行窗口化处理，将数据分割成指定长度的短序列，为了增强描述动作的能力，相邻窗口之间有50%的重叠，所述窗口的长度不能过短，否则包含的技术动作数据较少，识别效果差；窗口的长度不能过长，否则会导致系统延迟。

13、进一步地，在步骤s2中，所述特征提取，包括以下步骤：

14、步骤s21：数据预处理，对采集到的皮划艇运动员的技术动作数据进行去噪、归一化；

15、步骤s22：特征选择，从预处理后的技术动作数据进行特征选择，评估特征与目标动作之间的相关性，将经过数据预处理、特征选择的技术动作数据作为样本数据。

16、进一步地，在步骤s3中，所述构建动作分类模型，包括以下步骤：

17、步骤s31：划分样本数据，根据监督学习对数据进行二元分类，决策边界定义为样本数据执行求解的最大边际超平面，计算最佳超平面，使样本数据正确的分为两类，所用公式如下：

18、；

19、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；

20、步骤s32：将样本数据分为正常状态和异常状态，正常状态表示技术动作表现良好，符合规范和要求；异常状态表示技术动作存在缺陷，有助于教练和技术人员对技术动作数据进行分析，计算分类依据，所用公式如下：

21、；

22、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；

23、步骤s33：为了达到最大的分类效果，求解优化约束问题，所用公式如下：

24、；

25、；

26、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；

27、步骤s34：定义约束条件，用来确保决策边界的分类正确性，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：

28、；

29、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：

30、；

31、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。

32、进一步地，在步骤s4中，所述构建技术动作预测模型，包括以下步骤：

33、步骤s41：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；

34、步骤s42：经过归一化处理，计算每个非零叶子节点的权重，所用公式如下：

35、；

36、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；

37、步骤s43：得到叶子节点的权重后，计算决策树的权重，所用公式如下：

38、；

39、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；

40、步骤s44：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，使用加权平均来得到最终的预测，所用公式如下：

41、；

42、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。

43、进一步地，在步骤s5中，所述技术动作评估与优化，包括以下步骤：

44、步骤s51：定义动作评估指标，根据皮划艇技术要求和目标，所述目标包括动作的稳定性、速度、准确性和力度，量化评价技术动作的质量和优劣；

45、步骤s52：优化策略定制，针对评估指标中的不足之处进行针对性训练和调整，通过教练、专家的指导，实时反馈，帮助皮划艇运动员纠正动作的缺陷，提高技术水平和竞技实力。

46、本发明提供的基于人工智能的皮划艇技术动作预测系统，包括皮划艇技术动作数据采集模块、特征提取模块、构建动作分类模型模块、构建技术动作预测模型模块和技术动作评估与优化模块；

47、所述皮划艇技术动作数据采集模块，具体为采集定位数据，安装压力传感器并进行惯性测量，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；

48、所述特征提取模块，具体为将预处理后的技术动作数据进行特征选择，得到样本数据；

49、所述构建动作分类模型模块，具体为将样本数据进行二元分类，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；

50、所述构建技术动作预测模型模块，具体为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，对数据进行归一化处理，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，得到最终的预测结果；

51、所述技术动作评估与优化模块，具体为定义动作评估指标，并定制优化策略。

52、采用上述方案本发明取得的有益成果如下：

53、（1）针对存在皮划艇运动员动作描述不准确，难以及时纠正动作缺陷的技术问题，采用采集定位数据，安装压力传感器并进行惯性测量，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；

54、（2）针对存在误判皮划艇技术动作数据，导致错误的训练指导，影响技术动作的准确性和技术水平的提升的技术问题，采用将样本数据进行二元分类，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；

55、（3）针对存在技术动作的预测不准确，会导致运动员在关键技术方面得不到有效的训练，影响运动员的技术水平提高的技术问题，采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，对数据进行归一化处理，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。