何 凡

(安徽財貿(mào)職業(yè)學(xué)院,安徽 合肥 230601)

隨著大數(shù)據(jù)信息處理技術(shù)的發(fā)展,采用大數(shù)據(jù)挖掘方法進(jìn)行有氧運(yùn)動訓(xùn)練輔助決策控制,構(gòu)建有氧運(yùn)動訓(xùn)練輔助決策支持分析模型,結(jié)合模糊信息融合方法能有效提高有氧運(yùn)動訓(xùn)練輔助決策支持能力,相關(guān)的有氧運(yùn)動訓(xùn)練輔助決策支持方法研究受到人們的極大關(guān)注.對有氧運(yùn)動訓(xùn)練輔助決策支持方法研究是建立在對有氧運(yùn)動訓(xùn)練輔助決策支持?jǐn)?shù)據(jù)挖掘基礎(chǔ)上,進(jìn)行有氧運(yùn)動訓(xùn)練輔助決策支持模糊信息采樣,采用大數(shù)據(jù)挖掘和模糊信息檢測方法,進(jìn)行有氧運(yùn)動訓(xùn)練輔助決策支持控制[1],提高有氧運(yùn)動訓(xùn)練輔助決策支持控制能力,研究有氧運(yùn)動訓(xùn)練輔助決策支持方法,在提高運(yùn)動訓(xùn)練的效果方面具有重要意義.本文提出基于數(shù)據(jù)挖掘的有氧運(yùn)動訓(xùn)練輔助決策支持方法，構(gòu)建有氧運(yùn)動訓(xùn)練輔助決策的大數(shù)據(jù)分布集,采用模糊相關(guān)性融合調(diào)度方法進(jìn)行有氧運(yùn)動訓(xùn)練輔助決策支持自適應(yīng)挖掘.根據(jù)數(shù)據(jù)挖掘結(jié)果,實(shí)現(xiàn)有氧運(yùn)動訓(xùn)練輔助決策支持控制,最后進(jìn)行仿真測試分析,展示了本方法在提高有氧運(yùn)動訓(xùn)練輔助決策支持能力方面的優(yōu)越性能.

1 有氧運(yùn)動訓(xùn)練輔助決策支持大數(shù)據(jù)集和特征提取

1.1 有氧運(yùn)動訓(xùn)練輔助決策支持大數(shù)據(jù)

構(gòu)建有氧運(yùn)動訓(xùn)練輔助決策的大數(shù)據(jù)分布集,通過模糊信息融合方法進(jìn)行有氧運(yùn)動訓(xùn)練輔助決策支持大數(shù)據(jù)融合性調(diào)度,采用大數(shù)據(jù)信息融合方法進(jìn)行有氧運(yùn)動訓(xùn)練輔助決策支持的運(yùn)動行為空間肢體特征提取[2],提取有氧運(yùn)動訓(xùn)練輔助決策支持分布式關(guān)聯(lián),得到有氧運(yùn)動訓(xùn)練輔助決策支持的統(tǒng)計分布概率密度特征為：

(1)

其中,在tn+1時刻和tn時刻進(jìn)行有氧運(yùn)動訓(xùn)練輔助決策支持?jǐn)?shù)據(jù)采集.在不同有氧運(yùn)動訓(xùn)練輔助決策支持信息采樣的行為集中,有氧運(yùn)動訓(xùn)練輔助決策支持存儲運(yùn)動特征數(shù)據(jù)的二元人體行為特征分布為：

(2)

(3)

采用子空間訓(xùn)練方法,建立有氧運(yùn)動訓(xùn)練輔助決策支持的行為動態(tài)度量模型,在運(yùn)動訓(xùn)練集si={xj:d(xj,yi)≤d(xj,yl)}的引導(dǎo)下,得到有氧運(yùn)動訓(xùn)練輔助決策支持的模糊控制函數(shù)：

MinWH=min{w(cc),h(cc)}

(4)

(5)

采用隨機(jī)鄰域分布式表達(dá)方法,建立有氧運(yùn)動訓(xùn)練輔助決策支持的核函數(shù)模型,調(diào)整有氧運(yùn)動訓(xùn)練輔助決策支持加權(quán)向量,得到Nj*幾何鄰域NEj*(t),得到有氧運(yùn)動訓(xùn)練輔助決策支持加權(quán)自適應(yīng)特征分布集為：

U={μik|i=1,2,…,c,k=1,2,…,n}

(6)

在關(guān)聯(lián)規(guī)則引導(dǎo)下,利用全局統(tǒng)計信息進(jìn)行有氧運(yùn)動訓(xùn)練輔助決策支持的運(yùn)動行為空間肢體特征提取[3],得到優(yōu)化目標(biāo)函數(shù)為：

(7)

建立有氧運(yùn)動訓(xùn)練輔助決策支持的人體運(yùn)動行為關(guān)聯(lián)挖掘模型[4],得到特征挖掘聚類中心為：

μik=1∑cj=1(dikdjk)2m-1

(8)

(9)

式(8)、(9)中,m為有氧運(yùn)動訓(xùn)練輔助決策支持的運(yùn)動行為的嵌入維數(shù),(dik)2為樣本xk與特征分布集Vi的測度距離,采用模糊信息融合調(diào)度方法,進(jìn)行有氧運(yùn)動訓(xùn)練輔助決策控制.

1.2 有氧運(yùn)動訓(xùn)練輔助決策數(shù)據(jù)特征提取

建立有氧運(yùn)動訓(xùn)練輔助決策支持的運(yùn)動特征數(shù)據(jù)挖掘模型,結(jié)合人體運(yùn)動行為關(guān)聯(lián)特征提取方法,進(jìn)行有氧運(yùn)動訓(xùn)練輔助決策支持和遷移學(xué)習(xí)控制,建立有氧運(yùn)動訓(xùn)練輔助特征分布集合Fm(x,y)為：

(10)

(11)

構(gòu)建有氧運(yùn)動訓(xùn)練輔助決策支持模糊調(diào)度集,為：

(12)

Ti,j(t)表示有氧運(yùn)動訓(xùn)練輔助決策支持的訓(xùn)練函數(shù),表達(dá)為：

(13)

采用多元回歸分析方法[5],進(jìn)行在線調(diào)節(jié),得到有氧運(yùn)動訓(xùn)練輔助決策支持的動態(tài)特征挖掘結(jié)果為：

Ui,j(t)=exp[-b[zi(t)-zj(t)2]]

(14)

其中：zi(t),zj(t)表示有氧運(yùn)動訓(xùn)練輔助決策支持的輔助訓(xùn)練函數(shù),根據(jù)特征提取結(jié)果,進(jìn)行運(yùn)動訓(xùn)練輔助和決策支持.

2 有氧運(yùn)動訓(xùn)練輔助決策支持優(yōu)化

2.1 有氧運(yùn)動訓(xùn)練輔助決策大數(shù)據(jù)挖掘

提取有氧運(yùn)動訓(xùn)練輔助決策支持大數(shù)據(jù)模糊關(guān)聯(lián)規(guī)則集,采用大數(shù)據(jù)信息融合方法進(jìn)行有氧運(yùn)動訓(xùn)練輔助決策支持的運(yùn)動行為空間肢體特征提取[6],有氧運(yùn)動訓(xùn)練輔助決策支持存儲運(yùn)動特征檢測統(tǒng)計量：

(15)

對式(15)求最優(yōu)解,提取有氧運(yùn)動訓(xùn)練輔助決策支持?jǐn)?shù)據(jù)的模糊特征[7],得到有氧運(yùn)動訓(xùn)練輔助決策支持挖掘的主成分特征分布集為：

(16)

采用線性規(guī)劃方法,進(jìn)行有氧運(yùn)動訓(xùn)練輔助決策訓(xùn)練,得到核函數(shù)k(xi,xj),有氧運(yùn)動訓(xùn)練輔助決策支持的線性規(guī)劃模型為：

(17)

結(jié)合分布式網(wǎng)格區(qū)塊聚類分析方法進(jìn)行有氧運(yùn)動訓(xùn)練輔助決策支持屬性決策[8],得到聚類函數(shù)為：

wij=β×w(epkq) (β>1)

(18)

其中,β為有氧運(yùn)動訓(xùn)練輔助決策支持自適應(yīng)加權(quán)系數(shù),w(epkq)表示有氧運(yùn)動訓(xùn)練輔助決策支持的可靠性系數(shù),計算有氧運(yùn)動訓(xùn)練輔助決策支持存儲運(yùn)動特征數(shù)據(jù)大數(shù)據(jù)的多維分布集,為：

Yk=[yk1,yk2,…,ykj,…,ykJ](k=1,2,…,N)

(19)

其中,ykj表示有氧運(yùn)動的特穩(wěn)態(tài)特征量,N為數(shù)據(jù)長度.

2.2 決策支持優(yōu)化

進(jìn)行有氧運(yùn)動訓(xùn)練輔助決策支持的特征提取和優(yōu)化挖掘,提高有氧運(yùn)動訓(xùn)練輔助決策支持的挖掘能力,采用大數(shù)據(jù)信息融合方法進(jìn)行有氧運(yùn)動訓(xùn)練輔助決策支持的可信度動態(tài)特征分析[9],有氧運(yùn)動訓(xùn)練輔助決策支持的主成分特征分布為：

(20)

構(gòu)建有氧運(yùn)動訓(xùn)練輔助決策支持線性規(guī)劃模型,得到有氧運(yùn)動訓(xùn)練輔助決策線性規(guī)劃函數(shù)為：

(dik)2=‖xk-Vi‖2

(21)

且滿足：

(22)

結(jié)合模糊度檢測方法,得到有氧運(yùn)動訓(xùn)練輔助決策支持的多維規(guī)劃模型為：

(23)

其中Newi′=(ei′1,ei′2,…,ei′D),采用聯(lián)合信息調(diào)度方法,實(shí)現(xiàn)有氧運(yùn)動訓(xùn)練輔助決策,得到優(yōu)化的決策函數(shù)：

R1(k)=R2(k)exp(-jω0Tp/2),k=0,1,…,(N-3)/2

(24)

R2(k)=Akexp(jφk),k=0,1,…,(N-3)/2

(25)

其中,ω0為有氧運(yùn)動訓(xùn)練輔助決策支持分布式預(yù)測誤差,Tp為時間窗口,Ak為有氧運(yùn)動訓(xùn)練輔助決策支持的統(tǒng)計特征量,φk為有氧運(yùn)動訓(xùn)練輔助決策支持自適應(yīng)特征分布函數(shù).綜上分析,實(shí)現(xiàn)有氧運(yùn)動訓(xùn)練輔助決策支持.

3 仿真實(shí)驗(yàn)與結(jié)果分析

為了驗(yàn)證本文方法在實(shí)現(xiàn)有氧運(yùn)動訓(xùn)練輔助決策支持的應(yīng)用性能,進(jìn)行仿真實(shí)驗(yàn).對有氧運(yùn)動訓(xùn)練輔助決策支持大數(shù)據(jù)挖掘的空間分布維數(shù)為4,大數(shù)據(jù)采樣的長度為1024,訓(xùn)練數(shù)據(jù)集規(guī)模為200,根據(jù)上述參數(shù)設(shè)定,進(jìn)行有氧運(yùn)動訓(xùn)練輔助決策支持大數(shù)據(jù)挖掘,得到大數(shù)據(jù)挖掘結(jié)果如圖1所示.

以圖1的數(shù)據(jù)為研究對象,進(jìn)行有氧運(yùn)動訓(xùn)練輔助決策支持,得到支持度檢測結(jié)果如圖2所示.

圖1 有氧運(yùn)動訓(xùn)練輔助決策支持大數(shù)據(jù)挖掘

圖2 有氧運(yùn)動訓(xùn)練輔助決策支持度檢測結(jié)果

分析圖2得知,本文方法進(jìn)行有氧運(yùn)動訓(xùn)練輔助決策支持的聚類性和抗干擾能力較好,說明有氧運(yùn)動訓(xùn)練輔助決策支持的尋優(yōu)能力較好,測試有氧運(yùn)動訓(xùn)練輔助決策支持的尋優(yōu)曲線,如圖3所示.

圖3 有氧運(yùn)動訓(xùn)練輔助決策支持尋優(yōu)曲線

分析圖3得知,本文方法進(jìn)行有氧運(yùn)動訓(xùn)練輔助決策支持的尋優(yōu)能力較好,收斂性較強(qiáng).

4 結(jié) 語

構(gòu)建有氧運(yùn)動訓(xùn)練輔助決策支持分析模型,結(jié)合模糊信息融合方法有效提高有氧運(yùn)動訓(xùn)練輔助決策支持能力.本文提出基于數(shù)據(jù)挖掘的有氧運(yùn)動訓(xùn)練輔助決策支持方法.采用大數(shù)據(jù)信息融合方法進(jìn)行有氧運(yùn)動訓(xùn)練輔助決策支持的運(yùn)動行為空間肢體特征提取,提取有氧運(yùn)動訓(xùn)練輔助決策支持分布式關(guān)聯(lián)特征量,采用模糊相關(guān)性融合調(diào)度方法進(jìn)行有氧運(yùn)動訓(xùn)練輔助決策支持自適應(yīng)挖掘,構(gòu)建有氧運(yùn)動訓(xùn)練輔助決策支持線性規(guī)劃模型,結(jié)合模糊度檢測方法,得到有氧運(yùn)動訓(xùn)練輔助決策支持的多維規(guī)劃模型,實(shí)現(xiàn)有氧運(yùn)動訓(xùn)練輔助決策支持.分析得知,本文方法進(jìn)行有氧運(yùn)動訓(xùn)練輔助決策支持的可靠性較高.