孟祥龍

(西安工程大學 體育部， 西安 710048)

0 引言

當前，在基于視頻的運動人體分析領(lǐng)域中，大部分研究成果主要是對運動行為識別的探討，卻并未對運動行為預測進行深入研究。然而，在實際生活過程中，基于視頻中人體運動行為預測卻比行為識別更具現(xiàn)實價值[1]。比如，在眾多人群密集的公共場所中，可利用基于視頻的人體運動行為預測技術(shù)對監(jiān)控視頻中，可能會出現(xiàn)的犯罪行為進行預測，及時對公安部門發(fā)起犯罪行為預測警報，便于公安部門及時采取相應的解決措施。以此，不僅能夠減少公安部門花費在安全排查工作方面的人力、物力及財力，還能對突發(fā)性的犯罪行為起到有效的預防。在面向體育領(lǐng)域時，一套完善的視頻中人體運動行為預測技術(shù)能夠在相關(guān)體育訓練時，精準的獲取到某些優(yōu)秀球隊的比賽數(shù)據(jù)，為每位運動員量身定制一個運動行為預測判別器[2]。教練通過判別器就能辨別運動做出的動作與標準動作之間的差異，從而有針對性調(diào)整訓練力度。在籃球這一體育運動的比賽過程中，運動員全程采取的運動行為有三種，分別為投籃、傳球以及運球。籃球比賽是一項具備多人的團體運動，球員之間必須配合默契才能贏得比賽。在籃球比賽過程中，球員在選擇相關(guān)運動行為時，將會受到隊員或是對手等各項因素的影響。因此，籃球運動員行為預測過程具有較高的復雜性，給行為預測數(shù)學模型的建立帶來了一定的難度[3]。而結(jié)合這個特點，我們也可以將籃球行為的預測看成是一個非線性的問題。在解決非線性問題預測中，人工神經(jīng)網(wǎng)絡因其自身具備的自適應、非線性等特性，受到非線性系統(tǒng)建模領(lǐng)域的廣泛應用。對此，本文結(jié)合人工神經(jīng)網(wǎng)絡的優(yōu)勢，提出一種基于MRAN算法的行為預測方法，并對其實現(xiàn)進行了詳細的闡述。

1 RBF徑向神經(jīng)網(wǎng)絡預測模型

RBF(徑向神經(jīng)網(wǎng)絡)是一種極為高效的前饋式神經(jīng)網(wǎng)絡[4]。相較于其他神經(jīng)網(wǎng)絡，RBF神經(jīng)網(wǎng)絡具有最佳逼近性能以及全局最優(yōu)特性兩大獨有優(yōu)勢，并擁有其他神經(jīng)網(wǎng)絡具備的結(jié)構(gòu)簡單、訓練速度快等基本特征[5]。

1.1 RBF徑向神經(jīng)網(wǎng)絡的網(wǎng)絡結(jié)構(gòu)

圖1 單輸出的RBF網(wǎng)絡的拓撲圖

當網(wǎng)絡輸入訓練樣本為Xn時，該網(wǎng)絡的實際輸出可通過以下公式表達為式(1)。

(1)

當前，在RBF神經(jīng)網(wǎng)絡領(lǐng)域中，具有較多的RBF函數(shù)，其中最為常用的有高斯函數(shù)、多二次函數(shù)、薄板樣條函數(shù)等[9]。

1.2 RBF神經(jīng)網(wǎng)絡預測過程

RBF神經(jīng)網(wǎng)絡預測過程主要分為以下四大步驟，具體為以下分析：

第一步，數(shù)據(jù)歸一化

數(shù)據(jù)歸一化的目的在于將所有數(shù)據(jù)轉(zhuǎn)變?yōu)閇0.1]區(qū)間的值，使后續(xù)的各項計算更加方便[10]。數(shù)據(jù)歸一化公式為式(2)。

(2)

在公式(2)中，xmax代表實驗數(shù)據(jù)中的最大值；xmin代表實驗數(shù)據(jù)中的最小值；X代表歸一化處理后的數(shù)據(jù)值；

第二步:網(wǎng)絡結(jié)構(gòu)設置

RBF網(wǎng)絡結(jié)構(gòu)的設置過程中，主要以實際實驗需要為基礎，對網(wǎng)絡中輸入輸出層神經(jīng)元數(shù)量、網(wǎng)絡中滑窗值等參數(shù)進行設置。在此方面，本文將利用Matlab 軟件工具箱自帶的函數(shù)進行RBF神經(jīng)網(wǎng)絡建立工作，具體表達公式為式(3)。

net=newrbe(P,I,spread)

(3)

在公式(3)中，P表示輸入向量矩陣；I表示訓練輸出向量；spread表示徑向基函數(shù)的分布密度值，該值將默認為1.0；

第三步:網(wǎng)絡訓練及測試

采取Matlab軟件對已設置完成的RBF網(wǎng)絡進行仿真測試[11]。根據(jù)測試過程及測試結(jié)果對spread進行調(diào)整，以此獲取最優(yōu)的spread值；

第四步:誤差分析及評價

對RBF神經(jīng)網(wǎng)絡預測誤差進行計算，根據(jù)計算結(jié)果對該方法的適用性進行評價。

2 籃球運動員投籃行為預測模型構(gòu)建

當前，RBF神經(jīng)網(wǎng)絡的學習算法被劃分為兩類，分別為離線學習方式以及在線學習方式。本文將選取在線學習模式對籃球運動員行為進行預測研究。在此方面，出于對某些籃球運動員偷懶行為預測精準與否的考慮。但是，傳統(tǒng)的RBF網(wǎng)絡中，包括網(wǎng)絡層數(shù)、權(quán)重等的調(diào)整，大部分是結(jié)合其主觀的意愿進行。對此，結(jié)合以上的問題，本文在籃球運動員投籃行為預測模型中分別從3方面進行改進：引入新的隱層神經(jīng)元、網(wǎng)絡參數(shù)的調(diào)整、隱層神經(jīng)元的刪除。具體如以下分析：

(1) 針對每個輸入xi，為式(4)。

δi=max{γiδmax,δmin}

(4)

wK+1=ei

(5)

cK+1=xi

(6)

σK+1=kdi

(7)

在以上公式中，k代表重迭因子，作用于決定隱層神經(jīng)元響應寬度。

(3) 通過以下公式對網(wǎng)絡參數(shù)進行更新式(8)～式(10)。

vi=vi-1+Kiei

(8)

(9)

(10)

(11)

3 接球球員預測

假設預測器中中顯示的輸出結(jié)果為傳球動作，預測器將隨之對接球隊員人選進行預測。當籃球運動員在進行傳球動作時，該隊員會在傳球之前選取最具接球條件的隊友。在選取隊友過程中，持球隊員不僅要考慮接球隊員可能存在的得分優(yōu)勢，還需對傳球之間的距離進行考量[13]。持球隊員與接球隊員之間的距離越小，說明本次傳球可能遭到對手破壞的可能性越小，反之則越大。對此，假設在持球隊員視野范圍內(nèi)具備k個隊友，隊友i的接球有利程度為式(12)。

其中w1+w2=1

(12)

在上述公式中，UAPFi代表隊友i的人工勢能場信息量；w1與w2代表隊友i與持球隊員c的因素權(quán)重。通過該公式可獲取到球場中最佳接球條件的隊員，并將球傳給隊友。

4 實驗與分析

為了賦予上文提出的籃球球員持球行為預測方法的科學性，本文將對該方法進行實驗證明。整個實驗過程由兩大部分組成，分別為神經(jīng)網(wǎng)絡的訓練以及持球隊員行為預測。本次實驗對象以NBA的7場常規(guī)賽的籃球比賽視頻，采用兩兩對比的形式對傳統(tǒng)RBFNN預測法與本文提出的改進RBF算法進行實驗。具體實驗結(jié)果,如表1及表2所示。

表1 傳統(tǒng)RBFNN預測結(jié)果

通過表1與表2顯示內(nèi)容可知，在對籃球運動員投籃、傳球以及運球3個行為進行預測時，傳統(tǒng)RBFNN預測法平均正確率分別為81.6%、72.1%以及86.1%；而通過本文改進的RBF算法，其平均預測正確率為80%、77.7%以及91.6%。

表2 改進RBF的預測結(jié)果

由此，通過以上的結(jié)果看出，本文提出的改進算法與傳統(tǒng)的算法相比，更更具準確性。得到以上結(jié)果的原因，是因為本文引入了在線預測的方法，其可以根據(jù)結(jié)果進行籃球運動員行為預測數(shù)據(jù)的更新，進而在計算過程中能夠隨著籃球比賽的發(fā)展而進行調(diào)整及變化，具有較強的泛化能力。與此同時，通過對隱層神經(jīng)元的刪除策略，使其網(wǎng)絡結(jié)構(gòu)相較于傳統(tǒng)算法而言更加簡單，具備的隱層神經(jīng)元個數(shù)也相對較小，具有較高的實時性[14]。

但是，在實驗過程中，也出現(xiàn)誤判的行為。而導致誤判情況的主要原因的兩點：第一，在籃球比賽進行過程中，持球隊員在對行為選擇時，將會受到眾多偶然因素所影響，比如體力因素、場地因素等，整個行為選擇過程具備較高的隨機性，從而造成行為預測誤判問題；第二，持球隊員在選擇行為動作過程中，將會受到相關(guān)的戰(zhàn)術(shù)打法以及隊友默契程度等因素的限制，從而對預測結(jié)果造成影響，出現(xiàn)誤判現(xiàn)象。

5 總語

通過以上的分析看出，RBF神經(jīng)網(wǎng)絡在處理非線性問題的預測方面，具有較強的泛化和學習能力，進而通過以上構(gòu)建，表明本文提出的算法在籃球運動行為預測方面，更具有有優(yōu)勢和準確性，從而為當前籃球的科學化訓練，提出了一種新的科學訓練方法。