黃彩云，何吉福，胡 藝，王 楠，陳 沛

引言

近年來(lái)，全國(guó)各大高校在注重學(xué)生知識(shí)技能培養(yǎng)的同時(shí)也越來(lái)越重視其身體健康狀況，體質(zhì)監(jiān)測(cè)作為監(jiān)測(cè)學(xué)生體質(zhì)健康狀況的指標(biāo)被廣泛開(kāi)展，但開(kāi)展過(guò)程中發(fā)現(xiàn)存在以下弊端：一是安全問(wèn)題：在測(cè)試800/1000米等激烈運(yùn)動(dòng)項(xiàng)目過(guò)程中，體質(zhì)弱或者患有某些疾病的學(xué)生常有身體不適或發(fā)生猝死現(xiàn)象，學(xué)生互相角逐過(guò)程中身體碰觸創(chuàng)傷也時(shí)常發(fā)生；二是耗時(shí)費(fèi)力：每年面向全校學(xué)生的體質(zhì)監(jiān)測(cè)過(guò)程占用教師大量時(shí)間和精力；三是是否客觀真實(shí)：由于人為因素的存在，人工記錄的成績(jī)可能會(huì)存在不真實(shí)的情況。如果能根據(jù)學(xué)生的體質(zhì)指標(biāo)預(yù)測(cè)出體質(zhì)監(jiān)測(cè)成績(jī)，就可以有針對(duì)性的安排學(xué)生進(jìn)行鍛煉且可避免以上問(wèn)題的發(fā)生。

近幾年，研究者對(duì)大學(xué)生體質(zhì)監(jiān)測(cè)的研究主要集中在以下幾個(gè)方面：在體質(zhì)監(jiān)測(cè)數(shù)據(jù)分析方面，有查閱文獻(xiàn)資料[1-2]、數(shù)理統(tǒng)計(jì)[1-2]以及專家論證[1]等方法；在體質(zhì)健康影響因素分析方面，有回歸模型分析法[3]、文獻(xiàn)資料法[4]、問(wèn)卷調(diào)查法[4]、綜合評(píng)價(jià)法[4]；在體質(zhì)健康評(píng)價(jià)標(biāo)準(zhǔn)或模型的研究方面，有制定三個(gè)自評(píng)量表來(lái)自我測(cè)試大學(xué)生健康與體質(zhì)狀況[5]，用秩和比綜合評(píng)價(jià)法建立大學(xué)生體能水平特征模型[6]；在促進(jìn)體質(zhì)監(jiān)測(cè)發(fā)展方面有建設(shè)具有統(tǒng)一國(guó)民體質(zhì)監(jiān)測(cè)功能的平臺(tái)[7]，建設(shè)基于GIS的全民體質(zhì)監(jiān)測(cè)管理平臺(tái)[8]。但截止目前尚未開(kāi)展有關(guān)體質(zhì)監(jiān)測(cè)成績(jī)預(yù)測(cè)方面的研究，因此，本文借助人工智能方法，提出并實(shí)現(xiàn)了一種基于深度學(xué)習(xí)的大學(xué)生體質(zhì)監(jiān)測(cè)成績(jī)預(yù)測(cè)方法，旨在通過(guò)大量數(shù)據(jù)的建模研究為高校體質(zhì)監(jiān)測(cè)提供一種準(zhǔn)確可靠的成績(jī)預(yù)測(cè)方法。

1 深度學(xué)習(xí)簡(jiǎn)介

人工智能最早是在1956年達(dá)特矛斯會(huì)議（Dartmouth Conference）上由約翰·麥卡錫（John Mc Carthy）定義的：人工智能希望能夠使機(jī)器的行為看起來(lái)就像人類(lèi)的智能行為[9]。此后一直到20世紀(jì)80年代末，人工智能的研究和應(yīng)用經(jīng)歷了兩次熱潮和低谷，直到20世紀(jì)90年代初，隨著神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展，人工智能在各行各業(yè)的研究如火如荼地開(kāi)展起來(lái)。但受限于當(dāng)時(shí)較低的硬件計(jì)算能力，神經(jīng)網(wǎng)絡(luò)方法方面的創(chuàng)新受到限制，神經(jīng)網(wǎng)絡(luò)的層數(shù)較少，寬度較窄，無(wú)法解決各行各業(yè)復(fù)雜應(yīng)用場(chǎng)景中遇到的問(wèn)題。

進(jìn)入21世紀(jì)以來(lái)，計(jì)算機(jī)硬件計(jì)算能力呈現(xiàn)指數(shù)形式的增長(zhǎng)，硬件尺寸也越來(lái)越小，為運(yùn)行更多層數(shù)和更寬的神經(jīng)網(wǎng)絡(luò)模型提供了硬件基礎(chǔ)。2006年，Hinton等提出了深度學(xué)習(xí)[10]的概念。深度學(xué)習(xí)能夠通過(guò)組合低層特征形成更加抽象的高層特征，從而更好地發(fā)現(xiàn)數(shù)據(jù)的有效特征表示或?qū)傩灶?lèi)別[11]。深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層組成，其中隱含層通常包括若干卷積層、池化層和全連接層[12]。在本文中利用深度全連接神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)預(yù)測(cè)大學(xué)生體質(zhì)監(jiān)測(cè)成績(jī)，將大量學(xué)生的性別、年齡、身高、體重、肺活量等體質(zhì)指標(biāo)以及對(duì)應(yīng)的體質(zhì)監(jiān)測(cè)成績(jī)輸入到深度全連接神經(jīng)網(wǎng)絡(luò)中，經(jīng)過(guò)多輪次的自動(dòng)訓(xùn)練，使50/100米跑、立定跳遠(yuǎn)等體質(zhì)監(jiān)測(cè)項(xiàng)目的預(yù)測(cè)成績(jī)與操場(chǎng)實(shí)測(cè)成績(jī)之間的差距達(dá)到最小，實(shí)現(xiàn)準(zhǔn)確預(yù)測(cè)體質(zhì)監(jiān)測(cè)成績(jī)的功能。輸入到深度全連接神經(jīng)網(wǎng)絡(luò)中的大量學(xué)生的體質(zhì)指標(biāo)及其對(duì)應(yīng)的體質(zhì)監(jiān)測(cè)實(shí)際成績(jī)就是該神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)集，本文部分訓(xùn)練數(shù)據(jù)集如表1所示。

表1 體質(zhì)監(jiān)測(cè)成績(jī)預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)部分訓(xùn)練數(shù)據(jù)集

2 基于深度學(xué)習(xí)的大學(xué)生體質(zhì)監(jiān)測(cè)成績(jī)預(yù)測(cè)方法

2.1 深度全連接神經(jīng)網(wǎng)絡(luò)的基本原理

深度全連接神經(jīng)網(wǎng)絡(luò)包括輸入層、多層隱含層和輸出層，相鄰兩層之間的神經(jīng)元之間是全連接的。圖一是一個(gè)簡(jiǎn)單的深度全連接神經(jīng)網(wǎng)絡(luò)示意圖，其中輸入層的輸入包括學(xué)生的性別、年齡、身高、體重、肺活量等體質(zhì)指標(biāo)，輸出層是預(yù)測(cè)的某一項(xiàng)體質(zhì)監(jiān)測(cè)成績(jī)，如50米跑、立定跳遠(yuǎn)等。

圖一 一個(gè)簡(jiǎn)單的深度全連接神經(jīng)網(wǎng)絡(luò)示意圖

深度全連接神經(jīng)網(wǎng)絡(luò)的前向傳播過(guò)程是根據(jù)初始給定的權(quán)重和偏置參數(shù)，將輸入的學(xué)生體質(zhì)指標(biāo)值和權(quán)重相乘再加上偏置，得到的結(jié)果經(jīng)過(guò)激活函數(shù)的非線性變換之后，輸入到第二層進(jìn)行同樣的運(yùn)算，如式1所示[13]，依次類(lèi)推，直到最后一層，求出最終的輸出。

式中P為各項(xiàng)體質(zhì)指標(biāo)值組成的一維數(shù)組，W為權(quán)重組成的一維數(shù)組，b為偏置項(xiàng)，f（·）為非線性變換的激活函數(shù)，目前比較常用的激活函數(shù)有Sigmoid、tanh、ReLU等[14]，它們的公式如式2、式3、式4所示。

深度全連接神經(jīng)網(wǎng)絡(luò)的反向傳播過(guò)程使用梯度下降方法：首先，求出前向傳播計(jì)算出的體質(zhì)監(jiān)測(cè)成績(jī)output和訓(xùn)練數(shù)據(jù)集中的體質(zhì)監(jiān)測(cè)成績(jī)target之間的均方誤差Etotal[15]，如式6所示；然后，通過(guò)“鏈?zhǔn)椒▌t”求誤差Etotal對(duì)每一個(gè)權(quán)重參數(shù)w的偏導(dǎo)數(shù)，如圖二和式7所示，作為權(quán)重w調(diào)整的梯度，根據(jù)公式（8）[16]更新權(quán)重w；最后，通過(guò)不斷迭代，對(duì)權(quán)重矩陣中的每個(gè)權(quán)重進(jìn)行不斷調(diào)整，使得誤差值Etotal最小，使計(jì)算出的成績(jī)output更加接近于真實(shí)的成績(jī)target。

圖二 深度全連接神經(jīng)網(wǎng)絡(luò)反向傳播更新權(quán)重示意圖

大學(xué)生體質(zhì)監(jiān)測(cè)成績(jī)預(yù)測(cè)過(guò)程分為五步，分別為：訓(xùn)練數(shù)據(jù)的準(zhǔn)備、訓(xùn)練數(shù)據(jù)的規(guī)范化、網(wǎng)絡(luò)結(jié)構(gòu)的搭建、網(wǎng)絡(luò)模型的訓(xùn)練和網(wǎng)絡(luò)模型的測(cè)試。

2.2 訓(xùn)練數(shù)據(jù)的準(zhǔn)備

本方法所用的訓(xùn)練數(shù)據(jù)是甘肅某高校2017-2019三年入校新生的體質(zhì)監(jiān)測(cè)結(jié)果數(shù)據(jù)，這些數(shù)據(jù)按班級(jí)存儲(chǔ)為Excel文件。為了高效地讀取所有的訓(xùn)練數(shù)據(jù)，本方法使用了Pandas數(shù)據(jù)分析包，Pandas納入了大量庫(kù)和一些標(biāo)準(zhǔn)的數(shù)據(jù)模型，提供了高效地操作大型訓(xùn)練數(shù)據(jù)集所需的工具。讀入訓(xùn)練數(shù)據(jù)的具體過(guò)程包括：（1）合并所有班級(jí)的體質(zhì)監(jiān)測(cè)數(shù)據(jù)形成一個(gè)Excel文件；（2）讀取性別、年齡、身高、體重、肺活量體質(zhì)指標(biāo)作為輸入數(shù)據(jù)；（3）讀取50米跑、立定跳遠(yuǎn)、仰臥起坐等體質(zhì)監(jiān)測(cè)結(jié)果作為標(biāo)簽數(shù)據(jù)。

2.3 訓(xùn)練數(shù)據(jù)的規(guī)范化

由于不同體質(zhì)指標(biāo)的取值范圍不同，如年齡范圍為[16，22]，身高范圍為[147，196]，體重范圍為[35，98]，訓(xùn)練過(guò)程中由于計(jì)算內(nèi)積會(huì)引起數(shù)值計(jì)算困難的問(wèn)題[17]。為了避免這種情況發(fā)生，本方法對(duì)讀入的數(shù)據(jù)進(jìn)行了標(biāo)準(zhǔn)化處理，其過(guò)程是：對(duì)輸入的每個(gè)體質(zhì)指標(biāo)數(shù)據(jù)減去它的平均值，再除以它的標(biāo)準(zhǔn)差，得到平均值為0，標(biāo)準(zhǔn)差為1的標(biāo)準(zhǔn)化數(shù)據(jù)[18]。

式中x′為某項(xiàng)體質(zhì)指標(biāo)一個(gè)樣點(diǎn)的標(biāo)準(zhǔn)化值，x為該項(xiàng)體質(zhì)指標(biāo)該樣點(diǎn)的原始值，ˉx為該項(xiàng)體質(zhì)指標(biāo)的平均值，σ為該項(xiàng)體質(zhì)指標(biāo)的標(biāo)準(zhǔn)差。

2.4 網(wǎng)絡(luò)結(jié)構(gòu)的搭建

本方法建立的全連接神經(jīng)網(wǎng)絡(luò)模型總共有7層，如圖三所示。第1層為輸入層，由于輸入的體質(zhì)指標(biāo)有性別、年齡、身高、體重和肺活量5項(xiàng)，第一層的神經(jīng)元個(gè)數(shù)為5；第2層至第6層為隱含層，都為全連接層，神經(jīng)元的個(gè)數(shù)分別為：10、16、32、16、10，采用的激活函數(shù)都為ReLU，與Sigmoid函數(shù)和tanh函數(shù)相比，ReLU函數(shù)對(duì)于隨機(jī)梯度下降的收斂有巨大的加速作用，計(jì)算速度非?？?，只需要判斷輸入是否大于0即可，同時(shí)避免了Sigmoid函數(shù)梯度消失的問(wèn)題[19]，如圖四和圖五所示；最后一層為輸出層，輸出層是預(yù)測(cè)的某項(xiàng)體質(zhì)監(jiān)測(cè)數(shù)據(jù)，所以神經(jīng)元的個(gè)數(shù)為1。

圖三 體質(zhì)監(jiān)測(cè)成績(jī)預(yù)測(cè)深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

圖四 Sigmoid激活函數(shù)曲線

圖五 ReLU激活函數(shù)曲線

2.5 網(wǎng)絡(luò)模型的訓(xùn)練

將第一步讀入的體質(zhì)指標(biāo)數(shù)據(jù)和對(duì)應(yīng)的某項(xiàng)監(jiān)測(cè)成績(jī)數(shù)據(jù)按8：1：1的比例劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，將訓(xùn)練集和驗(yàn)證集輸入搭建的網(wǎng)絡(luò)結(jié)構(gòu)中進(jìn)行50米跑和立定跳遠(yuǎn)兩項(xiàng)體質(zhì)監(jiān)測(cè)成績(jī)預(yù)測(cè)模型的訓(xùn)練。

損失函數(shù)可以真實(shí)地反映體質(zhì)監(jiān)測(cè)成績(jī)實(shí)測(cè)值與預(yù)測(cè)值之間的差距，在網(wǎng)絡(luò)模型訓(xùn)練過(guò)程中需要不斷減小損失函數(shù)值，使網(wǎng)絡(luò)模型預(yù)測(cè)體質(zhì)監(jiān)測(cè)成績(jī)更加精確。本方法網(wǎng)絡(luò)模型的損失函數(shù)采用均方誤差（MSE，mean squared error），是某項(xiàng)體質(zhì)監(jiān)測(cè)成績(jī)預(yù)測(cè)值與實(shí)測(cè)值之差平方的一半，如式10所示，這是回歸問(wèn)題常用的損失函數(shù)。

網(wǎng)絡(luò)模型訓(xùn)練過(guò)程中采用RMSProp（Root Mean Square Prop）[20]算法對(duì)梯度下降進(jìn)行優(yōu)化，加快損失函數(shù)值減小的速率，它對(duì)權(quán)重W和偏置b的梯度使用了微分平方加權(quán)平均數(shù)，如式11、式12所示：

假設(shè)當(dāng)前迭代過(guò)程為第t輪，dW和db分別是損失函數(shù)反向傳播時(shí)求得的梯度，α是網(wǎng)絡(luò)的學(xué)習(xí)率，Sdw和Sdb分別是損失函數(shù)在前t-1輪迭代過(guò)程中累積的梯度動(dòng)量，β是梯度累積的一個(gè)指數(shù)，為了防止分母為零，使用了一個(gè)很小的數(shù)值ε來(lái)進(jìn)行平滑，一般取值為10e-8。式13、式14是網(wǎng)絡(luò)權(quán)重W和偏置b的更新公式。該方式進(jìn)一步優(yōu)化了損失函數(shù)在更新過(guò)程中存在擺動(dòng)幅度過(guò)大的問(wèn)題，并且加快了函數(shù)的收斂速度。

優(yōu)化器學(xué)習(xí)率的大小決定梯度下降的快慢，一般情況下，初始參數(shù)所得體質(zhì)監(jiān)測(cè)預(yù)測(cè)值與實(shí)測(cè)值差值比較大，隨著迭代次數(shù)增加，預(yù)測(cè)值會(huì)越來(lái)越靠近實(shí)測(cè)值，損失函數(shù)值也會(huì)相應(yīng)地越來(lái)越小。本方法網(wǎng)絡(luò)模型的訓(xùn)練采用衰減學(xué)習(xí)率的策略，基本思想是學(xué)習(xí)率隨著訓(xùn)練的進(jìn)行逐漸衰減，即在起初使用較大的學(xué)習(xí)率，加快預(yù)測(cè)值接近真實(shí)值的速率，后續(xù)逐漸減小學(xué)習(xí)率，避免因?qū)W習(xí)率太大跳過(guò)損失函數(shù)最小值，保證網(wǎng)絡(luò)模型能夠收斂到預(yù)測(cè)值最接近實(shí)測(cè)值的狀態(tài)，衰減學(xué)習(xí)率的具體設(shè)置如表2所示。

表2 網(wǎng)絡(luò)訓(xùn)練的衰減學(xué)習(xí)率設(shè)置

網(wǎng)絡(luò)模型在訓(xùn)練過(guò)程中需要實(shí)時(shí)監(jiān)控某些參數(shù)，以便及時(shí)了解訓(xùn)練狀態(tài)。本方法中監(jiān)控平均絕對(duì)誤差（MAE，mean absolute error），它是某項(xiàng)體質(zhì)監(jiān)測(cè)成績(jī)預(yù)測(cè)值與真實(shí)值之差的絕對(duì)值，如式15所示。

式中y為某項(xiàng)體質(zhì)監(jiān)測(cè)成績(jī)預(yù)測(cè)值，t該項(xiàng)體質(zhì)監(jiān)測(cè)成績(jī)真實(shí)值。

本文深度全連接神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練過(guò)程設(shè)置了提前終止條件，當(dāng)驗(yàn)證集的損失函數(shù)值在10輪訓(xùn)練內(nèi)上升時(shí)，說(shuō)明網(wǎng)絡(luò)模型的訓(xùn)練達(dá)到最優(yōu)狀態(tài)并開(kāi)始惡化了，即終止訓(xùn)練。預(yù)測(cè)50米跑和立定跳遠(yuǎn)成績(jī)網(wǎng)絡(luò)模型的整個(gè)訓(xùn)練過(guò)程訓(xùn)練集和驗(yàn)證集的損失函數(shù)曲線與平均絕對(duì)誤差曲線如圖六—圖九所示，可以看出，訓(xùn)練集和驗(yàn)證集的損失函數(shù)值和平均絕對(duì)誤差隨著迭代次數(shù)的增加都持續(xù)同步減小，說(shuō)明網(wǎng)絡(luò)訓(xùn)練參數(shù)設(shè)置合理，收斂情況非常好。

圖六 預(yù)測(cè)50米跑成績(jī)模型訓(xùn)練的損失函數(shù)曲線

圖七 預(yù)測(cè)50米跑成績(jī)模型訓(xùn)練的平均絕對(duì)誤差曲線

圖八 預(yù)測(cè)立定跳遠(yuǎn)成績(jī)模型訓(xùn)練的損失函數(shù)曲線

圖九 預(yù)測(cè)立定跳遠(yuǎn)成績(jī)模型訓(xùn)練的平均絕對(duì)誤差曲線

2.6 網(wǎng)絡(luò)模型的測(cè)試

本文劃分的測(cè)試集包括21名學(xué)生的體質(zhì)指標(biāo)數(shù)據(jù)，將它們輸入到第4步訓(xùn)練的兩個(gè)神經(jīng)網(wǎng)絡(luò)模型中，分別預(yù)測(cè)出50米跑和立定跳遠(yuǎn)成績(jī)，預(yù)測(cè)成績(jī)和操場(chǎng)實(shí)測(cè)成績(jī)以及它們之間的相對(duì)誤差如表3所示。對(duì)21名學(xué)生50米跑和立定跳遠(yuǎn)兩個(gè)項(xiàng)目的預(yù)測(cè)成績(jī)、實(shí)測(cè)成績(jī)和相對(duì)誤差分別繪制曲線圖，如圖十、圖十一所示，從圖中可以看出預(yù)測(cè)和實(shí)測(cè)的成績(jī)吻合度很高，沒(méi)有出現(xiàn)比較大的偏差，50米跑成績(jī)預(yù)測(cè)的相對(duì)誤差低于2.6%，立定跳遠(yuǎn)成績(jī)預(yù)測(cè)的相對(duì)誤差低于3%；對(duì)21名學(xué)生兩個(gè)項(xiàng)目的預(yù)測(cè)成績(jī)和實(shí)測(cè)成績(jī)的絕對(duì)誤差進(jìn)行統(tǒng)計(jì)分析結(jié)果如圖12、13所示。從圖十二可以看出，21名學(xué)生實(shí)測(cè)和預(yù)測(cè)的50米跑成績(jī)絕對(duì)誤差均小于0.25s，集中在0.1s到0.2s范圍內(nèi)；從圖十三可以看出，21名學(xué)生實(shí)測(cè)和預(yù)測(cè)的立定跳遠(yuǎn)成績(jī)絕對(duì)誤差均小于8cm，集中在0-6cm范圍內(nèi)。以上分析可以得出，建立的深度全連接神經(jīng)網(wǎng)絡(luò)模型能比較客觀、準(zhǔn)確、有效預(yù)測(cè)體質(zhì)監(jiān)測(cè)成績(jī)。

圖十 某班實(shí)測(cè)和預(yù)測(cè)的50米跑成績(jī)曲線圖

圖十一 某班實(shí)測(cè)和預(yù)測(cè)的立定跳遠(yuǎn)成績(jī)曲線圖

圖十二 某班實(shí)測(cè)和預(yù)測(cè)的50米跑成績(jī)誤差統(tǒng)計(jì)圖

圖十三 某班實(shí)測(cè)和預(yù)測(cè)的立定跳遠(yuǎn)成績(jī)誤差統(tǒng)計(jì)圖

表3 某班實(shí)測(cè)和預(yù)測(cè)的50米跑、立定跳遠(yuǎn)成績(jī)

最后將本文基于深度全連接神經(jīng)網(wǎng)絡(luò)的體質(zhì)監(jiān)測(cè)成績(jī)預(yù)測(cè)結(jié)果與基于傳統(tǒng)的多元線性回歸預(yù)測(cè)結(jié)果進(jìn)行對(duì)比，本文中多元線性回歸是基于scikit-learn機(jī)器學(xué)習(xí)庫(kù)實(shí)現(xiàn)的。測(cè)試集21名學(xué)生50米跑項(xiàng)目實(shí)測(cè)成績(jī)與基于多元線性回歸方法預(yù)測(cè)的成績(jī)以及它們之間的相對(duì)誤差如圖十四所示，從圖中可以看出，多元線性回歸方法預(yù)測(cè)成績(jī)與實(shí)測(cè)成績(jī)相差較大，平均相對(duì)誤差為5.43%，超過(guò)了基于深度全連接神經(jīng)網(wǎng)絡(luò)模型平均相對(duì)誤差的3倍。從圖十五可以看出，基于傳統(tǒng)多元線性回歸預(yù)測(cè)方法預(yù)測(cè)21名學(xué)生50米炮的絕對(duì)誤差集中在0.3-0.7s之間，相比于深度全連接神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果的絕對(duì)誤差集中范圍0.1-0.2s，預(yù)測(cè)精度較低。

圖十四 某班實(shí)測(cè)和多元線性回歸方法預(yù)測(cè)的50米跑成績(jī)曲線圖

圖十五 某班實(shí)測(cè)和多元線性回歸方法預(yù)測(cè)的50米跑成績(jī)誤差統(tǒng)計(jì)圖

3 結(jié)論

針對(duì)目前尚未開(kāi)展研究的大學(xué)生體質(zhì)監(jiān)測(cè)成績(jī)預(yù)測(cè)方面，本文設(shè)計(jì)了一個(gè)包含五層全連接層的深度神經(jīng)網(wǎng)絡(luò)模型，將甘肅某高校近三年來(lái)新入學(xué)學(xué)生的性別、年齡、身高、體重和肺活量五項(xiàng)體質(zhì)指標(biāo)作為神經(jīng)網(wǎng)絡(luò)模型的輸入，50米跑成績(jī)或立定跳遠(yuǎn)作為神經(jīng)網(wǎng)絡(luò)模型的輸出，選擇合理的激活函數(shù)、損失函數(shù)和訓(xùn)練過(guò)程中的監(jiān)控參數(shù)，設(shè)置合適的學(xué)習(xí)率和提前停止規(guī)則，經(jīng)過(guò)多輪次的訓(xùn)練，得到兩個(gè)精準(zhǔn)有效的深度神經(jīng)網(wǎng)絡(luò)模型。通過(guò)對(duì)測(cè)試集預(yù)測(cè)結(jié)果的分析，得出本研究設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)模型具有較高的預(yù)測(cè)準(zhǔn)確度，其準(zhǔn)確率高于傳統(tǒng)的多元線性回歸方法，并且可以避免操場(chǎng)體質(zhì)監(jiān)測(cè)實(shí)施過(guò)程中的安全、效率和真實(shí)性等方面的問(wèn)題，對(duì)普通高校預(yù)測(cè)學(xué)生體質(zhì)監(jiān)測(cè)成績(jī)具有一定的參考價(jià)值，依據(jù)預(yù)測(cè)成績(jī)可以進(jìn)一步對(duì)體質(zhì)偏弱的學(xué)生采取針對(duì)性的強(qiáng)化措施。