摘要：在體育訓(xùn)練中，針對(duì)不同類型的運(yùn)動(dòng)員制定正確的訓(xùn)練計(jì)劃和執(zhí)行方案至關(guān)重要.模糊建模與免疫算法 相結(jié)合的機(jī)器學(xué)習(xí)方法可用于優(yōu)化游泳運(yùn)動(dòng)員的訓(xùn)練.綜合考慮游泳運(yùn)動(dòng)員的能力水平、體能狀況、技術(shù)熟練 程度以及訓(xùn)練目標(biāo)等多種因素，實(shí)驗(yàn)中建立了12個(gè)屬性的數(shù)據(jù)集，這些屬性被分為離散型和連續(xù)型兩類.在數(shù) 據(jù)收集過程中，考慮到個(gè)體差異和訓(xùn)練過程中的不確定性，對(duì)每個(gè)屬性進(jìn)行了差異化和連續(xù)化處理.使用機(jī)器 學(xué)習(xí)方法對(duì)游泳訓(xùn)練進(jìn)行建模，可以更好地理解和指導(dǎo)運(yùn)動(dòng)員的訓(xùn)練過程. 關(guān)鍵詞：機(jī)器學(xué)習(xí)；游泳訓(xùn)練；水中感受預(yù)測(cè)模型

中圖分類號(hào)：G861.1

文獻(xiàn)標(biāo)志碼：A

Research on Swimming Training Method Based on Machine Learning

GAO Xue-bo1， YANG Ji-hong2

（1. Northern Anhui Health Vocational College， Suzhou 234000， Anhui， China;

2. Anhui University of Science and Technology， Huainan 232001， Anhui， China）

Abstract：In sports training， it is very important to make correct training plans and implementation plans for different types of athletes. The machine learning method combining fuzzy modeling and immune algorithm can be used to optimize the training of swimmers. Considering the ability level， physical condition， technical proficiency and training objectives of swimmers， a data set of 12 attributes is established in the experiment， which are divided into two categories： discrete and continuous. In the process of data collection， each attribute is differentiated and continuous to consider individual differences and uncertainties in the training process. By using machine learning method to model swimming training， we can better understand and guide the training process of athletes.

Key words; machine learning; swimming training; data collection; modeling; instructing training

0 引言

在運(yùn)動(dòng)領(lǐng)域中， 制訂和執(zhí)行正確的訓(xùn)練計(jì)劃至關(guān)重要． 特別是在游泳這種高效率的體育運(yùn)動(dòng)中， 在適當(dāng)時(shí)間給予每個(gè)運(yùn)動(dòng)員準(zhǔn)確刺激的方法顯得尤為重要． 當(dāng)訓(xùn)練組涉及不同類型的運(yùn)動(dòng)員和專業(yè)時(shí)， 這一挑戰(zhàn)變得更加復(fù)雜．目前， 數(shù)字體育和智能訓(xùn)練成為了國(guó)內(nèi)外體育領(lǐng)域的研究熱點(diǎn)． 吳彰忠等[ １]指出信息化時(shí)代數(shù)字與體育將會(huì)繼續(xù)相互加持， 不斷開拓中國(guó)式現(xiàn)代化體育新道路， 楊國(guó)慶[ ２]指出能以算法自動(dòng)生成個(gè)性化訓(xùn)練指導(dǎo)方案， 霍波等[ ３]研究了人工智能技術(shù)在體育領(lǐng)域的應(yīng)用現(xiàn)狀及未來發(fā)展趨勢(shì)， 蘇宴鋒等[ ４]探討了人工智能如何提升運(yùn)動(dòng)表現(xiàn)以及構(gòu)建人工智能體育化的理論支撐與政策環(huán)境的優(yōu)化策略， 胡海旭等[ ５]指出機(jī)器學(xué)習(xí)為賦能個(gè)性化、 瞬時(shí)動(dòng)態(tài)、 反饋等精準(zhǔn)訓(xùn)練方法提供了強(qiáng)力支撐． 國(guó)外的研究表明， 智能運(yùn)動(dòng)訓(xùn)練（ S S T） 領(lǐng)域中常用的智能數(shù)據(jù)分析方法—S S T 方法已比較成熟[ ６]， 提出了一種用于適應(yīng)人類運(yùn)動(dòng)的教學(xué)系統(tǒng)的機(jī)器學(xué)習(xí)方法， 利用在線分類的運(yùn)動(dòng)信號(hào)，以選擇適當(dāng)?shù)慕虒W(xué)算法的自動(dòng)系統(tǒng)的原型[ ７]． 從近年來的研究文獻(xiàn)來看， 機(jī)器學(xué)習(xí)在體育運(yùn)動(dòng)訓(xùn)練中的應(yīng)用將是未來體育訓(xùn)練方法研究的熱點(diǎn)，但國(guó)內(nèi)關(guān)于機(jī)器學(xué)習(xí)在游泳運(yùn)動(dòng)訓(xùn)練中應(yīng)用的研究很少．

本文旨在研究如何將模糊建模與免疫算法相結(jié)合的機(jī)器學(xué)習(xí)方法應(yīng)用于游泳運(yùn)動(dòng)訓(xùn)練中． 這種方法基于對(duì)訓(xùn)練刺激和運(yùn)動(dòng)員反應(yīng)的模糊理解， 同時(shí)考慮到個(gè)體差異和訓(xùn)練過程中的不確定性． 通過將這種機(jī)器學(xué)習(xí)技術(shù)與傳統(tǒng)的訓(xùn)練方法相結(jié)合， 希望能夠?yàn)榻叹氉鲇?xùn)練決策提供一種有效的工具， 改善運(yùn)動(dòng)員的訓(xùn)練效果．

1 實(shí)驗(yàn)設(shè)計(jì)

1.1 實(shí)驗(yàn)數(shù)據(jù)收集

通過調(diào)研和咨詢游泳部門的教練， 建立了１ ２個(gè)獨(dú)立的屬性來模擬游泳訓(xùn)練， 如表１所列． 這些屬性被分為兩類： 離散型（ D） 和連續(xù)型（ C） ． 離散型屬性包括性別、 刺激因素、 水上訓(xùn)練次數(shù)、 地面訓(xùn)練次數(shù)、 體驗(yàn)和感受， 而連續(xù)屬性包括年齡、 時(shí)刻、 睡眠時(shí)長(zhǎng)、 睡眠前后脈搏數(shù)差、 時(shí)間、 距離． 其中， 刺激因素屬性又包含： 無訓(xùn)練（ B） 、 維持訓(xùn)練（ A １） 、 有氧訓(xùn)練（ A ２） 、 閾訓(xùn)練（ T） 、 最大攝氧量訓(xùn)練（ VO２） 、 無氧訓(xùn)練酸乳－速率訓(xùn)練（ AN １） 、 無氧訓(xùn)練酸乳－乳酸耐受（ AN ２） 、 無氧訓(xùn)練非酸乳（ S） ． “ 體驗(yàn)和感受” 屬性分為５種： 非常差（ VB） 、差（ B） 、 中等（ M） 、 好（ G） 、 非常好（ VG） ．

在處理數(shù)據(jù)時(shí)， 針對(duì)每個(gè)人可能有不同的感受和體驗(yàn)進(jìn)行個(gè)性化處理． 例如， 男性醒來后的脈搏可能與女性的完全不同， 因此在處理這些數(shù)據(jù)時(shí)需要考慮到個(gè)體的差異[ ８]． 在處理“ 時(shí)刻” 屬性時(shí)， 例如被檢查的人會(huì)在夜里睡覺， 由于數(shù)據(jù)的連續(xù)性問題， 所以某些時(shí)刻的小時(shí)值要加上２ ４， 并將以分鐘為單位的值轉(zhuǎn)換為小時(shí)的小數(shù)部分． 這樣做是為了保持?jǐn)?shù)據(jù)的連續(xù)性， 并使系統(tǒng)能夠正確理解入睡時(shí)間． 同樣， 將“ 時(shí)刻” 屬性中的分鐘轉(zhuǎn)換為十進(jìn)制值也是為了將數(shù)據(jù)轉(zhuǎn)換為計(jì)算機(jī)系統(tǒng)可以理解的形式． 這些預(yù)處理步驟的目的是減少數(shù)據(jù)集中的屬性數(shù)量， 提高數(shù)據(jù)的質(zhì)量和一致性，以便后續(xù)的機(jī)器學(xué)習(xí)或數(shù)據(jù)分析工作能夠更有效地進(jìn)行．

將數(shù)據(jù)收集以電子表格形式分發(fā)給游泳運(yùn)動(dòng)員， 在兩個(gè)月內(nèi)完成表格的填寫． 表２中收集了各種屬性， 包括性別、 年齡、 訓(xùn)練時(shí)刻、 睡眠時(shí)長(zhǎng)、 睡眠前/后脈搏數(shù)差、 站立前/后脈搏數(shù)差、 刺激因素、 刺激持續(xù)時(shí)間、 水上訓(xùn)練次數(shù)、 地面訓(xùn)練次數(shù)、白天游泳距離以及在常規(guī)熱身后下午訓(xùn)練中的感受． 對(duì)收集的數(shù)據(jù)進(jìn)行處理， 并將特定屬性的值進(jìn)行了統(tǒng)一． 在收集的數(shù)據(jù)中存在著一些不完整的記錄， 對(duì)于某些缺失的數(shù)據(jù)， 允許游泳運(yùn)動(dòng)員填寫“ －” ． 在４ ８ ０條數(shù)據(jù)記錄中， 只有１ ３ ６條是合格的（ 沒有任何缺失值） ． 本文使用分布平衡分層交叉驗(yàn)證進(jìn)行實(shí)驗(yàn)， 將數(shù)據(jù)集劃分為多個(gè)折時(shí)提供平衡的組內(nèi)分布來提高估計(jì)質(zhì)量． 然后， 利用 KL散度（ K u l l b a c k - L e i b l e rd i v e r g e n c e ） 計(jì)算數(shù)據(jù)集中每個(gè)屬性的信息增益， 并利用配對(duì)t檢驗(yàn)對(duì)所得結(jié)果進(jìn)行統(tǒng)計(jì)學(xué)分析． 通過這些分析， 可以了解哪些屬性對(duì)于預(yù)測(cè)或解釋游泳運(yùn)動(dòng)員的訓(xùn)練體驗(yàn)和感受最有價(jià)值， 從而為優(yōu)化訓(xùn)練方案和提高運(yùn)動(dòng)員表現(xiàn)提供依據(jù)．

1.2 機(jī)器學(xué)習(xí)算法

模糊邏輯通過使用模糊集來定義重疊的類定義來改進(jìn)分類任務(wù)[ ９]． 這種數(shù)據(jù)挖掘算法發(fā)現(xiàn)了一組形式為“ I F（ 模糊條件） THEN（ 類） ” 的規(guī)則，其解釋為： 如果一個(gè)實(shí)例的屬性值滿足模糊條件，則該實(shí)例屬于該規(guī)則所預(yù)測(cè)的類． 已經(jīng)通過不同的技術(shù)實(shí)現(xiàn)了從數(shù)據(jù)中自動(dòng)構(gòu)造模糊分類規(guī)則，例如神經(jīng)模糊方法， 基于遺傳算法的規(guī)則選擇以及模糊聚類與其他方法的組合， 例如模糊關(guān)系和遺傳算法優(yōu)化． 其中的一個(gè)方法是集成人工免疫系統(tǒng)（ A I S） 和模糊系統(tǒng)， 一種基于 A I S的模糊規(guī)則挖掘方法是I F RA I S（ 人工免疫系統(tǒng)模糊規(guī)則歸納） ， 使用順序覆蓋和克隆 選擇來 學(xué)習(xí)I F -THEN模糊規(guī)則． I F RA I S的速度和有效性分別通過緩沖規(guī)則， 使用初始均勻種群和模糊分區(qū)學(xué)習(xí)得到顯著提高． 基于 A I S的挖掘I F - THEN 規(guī)則的算法之一是基于用遺傳算法擴(kuò)展否定選擇算法． 另一種主要集中在克隆選擇和所謂的提升機(jī)制， 以適應(yīng)迭代中訓(xùn)練實(shí)例的分布． 本文旨在使用改進(jìn)的I F RA I S方法進(jìn)行運(yùn)動(dòng)訓(xùn)練建模．I F RA I S是一種模糊規(guī)則歸納方法， 是將人工免疫系統(tǒng)的進(jìn)化機(jī)制應(yīng)用于模糊規(guī)則的學(xué)習(xí)．該方法將訓(xùn)練集視為抗原， 模糊規(guī)則視為抗體， 通過克隆選擇算法來選擇最佳的模糊規(guī)則進(jìn)行學(xué)習(xí)． 在克隆選擇算法中， 首先創(chuàng)建一個(gè)初始的抗體群體， 然后對(duì)每個(gè)抗體進(jìn)行適應(yīng)度計(jì)算， 適應(yīng)度計(jì)算是根據(jù)抗體與訓(xùn)練集的匹配程度來確定的． 然后進(jìn)行選擇、 交叉和變異操作， 以產(chǎn)生新的抗體群體． 這個(gè)過程反復(fù)進(jìn)行， 直到滿足終止條件． 在I F RA I S中， 每個(gè)模糊規(guī)則的前件是由模糊條件的合取構(gòu)成的， 每個(gè)模糊條件對(duì)應(yīng)一個(gè)屬性． 在開始時(shí)， 所有屬性（ 包括離散屬性和連續(xù)屬性） 都會(huì)通過隸屬函數(shù)進(jìn)行模糊化處理． 在學(xué)習(xí)過程中，I F RA I S使用順序覆蓋作為主要的學(xué)習(xí)算法． 首先， 一組規(guī)則被初始化為空集; 然后， 對(duì)于每個(gè)待預(yù)測(cè)的類， 算法會(huì)使用所有訓(xùn)練樣本對(duì)訓(xùn)練集進(jìn)行訓(xùn)練， 并以當(dāng)前訓(xùn)練集和待預(yù)測(cè)的類為參數(shù)迭代調(diào)用克隆選擇過程， 克隆選擇過程返回一個(gè)發(fā)現(xiàn)的規(guī)則; 接下來將該規(guī)則添加到規(guī)則集， 并從當(dāng)前訓(xùn)練集中刪除已被進(jìn)化規(guī)則正確覆蓋的示例，對(duì)于所有未覆蓋的示例， 分配在完整訓(xùn)練集中最常見的類．

2 模型驗(yàn)證實(shí)驗(yàn)

為了驗(yàn)證所提模型的有效性， 進(jìn)行了水中感受預(yù)測(cè)模型實(shí)驗(yàn)和水中感受預(yù)測(cè)與規(guī)則優(yōu)化實(shí)驗(yàn)．

2.1 水中感受預(yù)測(cè)模型實(shí)驗(yàn)（ 實(shí)驗(yàn)一）

實(shí)驗(yàn)主要測(cè)試模型是否能夠傳遞訓(xùn)練單元、如何影響受訓(xùn)者第二天在水中的感受． 為了解決這個(gè)問題， 通過設(shè)置模型的參數(shù)、 執(zhí)行模糊分區(qū)的學(xué)習(xí)、 檢查接收到的規(guī)則的有效性， 并咨詢訓(xùn)練員和游泳者接收到的結(jié)果． 所有實(shí)驗(yàn)重復(fù)１ ０次， 使用５倍交叉驗(yàn)證， 運(yùn)行環(huán)境為２． ８ ０GH z的奔騰與２． ０ ０G B的 RAM． 改進(jìn)后的I F RA I S在 NE T２． ０環(huán)境下用C＃語(yǔ)言實(shí)現(xiàn)． 分頻因子r＝３， 抗體的初始群體大小等于５ ０， 并且激活閾值L 設(shè)定為０． １．

本實(shí)驗(yàn)的目的是研究所提出的負(fù)荷訓(xùn)練模型和機(jī)器學(xué)習(xí)工具是否能夠幫助游泳者找到控制他們?cè)谒懈杏X的規(guī)則． 改進(jìn)的I F RA I S預(yù)測(cè)的類是“ 體驗(yàn)和感受” 屬性， 學(xué)習(xí)的規(guī)則集由７個(gè)規(guī)則組成， 如表３所列， 每個(gè)規(guī)則包括與合取詞和類的預(yù)測(cè)值相連接的條件列表． 在實(shí)驗(yàn)中， 接收到的規(guī)則與模糊屬性完全的有效性提高了５ ３． ２ １％． 這是一個(gè)相當(dāng)?shù)偷慕Y(jié)果（ 接近隨機(jī)） ， 但接收到的規(guī)則的可用性仍然值得考慮．

通過規(guī)則可以看到， 規(guī)則缺少 V B值， 原因是這個(gè)值從未在學(xué)習(xí)集中使用過． 另一個(gè)結(jié)論是， 類M 和G的兩個(gè)值有一個(gè)以上的規(guī)則生成． 然而，這些是來自“ 體驗(yàn)和感受” 屬性的標(biāo)度中心的值，并且對(duì)于受訓(xùn)者來說并不那么重要． 考慮到量表中最重要值的集合的最后一條規(guī)則， 在被測(cè)游泳運(yùn)動(dòng)員小組中， 受訓(xùn)者在以下情況下的感受最好：①游泳者在前一天晚上１ ０點(diǎn)到凌晨２點(diǎn)半之間睡覺; ②訓(xùn)練前一天入睡前的脈搏與醒來后的脈搏之間的差異約１． ５～２． ９; ③站立后的脈搏與醒后的脈搏之差大于５; ④訓(xùn)練前一天的刺激持續(xù)時(shí)間不長(zhǎng)于４ ５m i n; ⑤訓(xùn)練之前的游泳里程不大于１ １． ５k m， 在此期間游泳者具有非常好的感覺，滿足某些條件可以增加游泳者在水中的良好感覺， 但考慮到規(guī)則集的有效性， 可能存在很多例外． 這種低效率的原因是， 學(xué)員們根據(jù)自己的主觀感覺調(diào)整尺度來適應(yīng)每個(gè)價(jià)值， 而且每個(gè)游泳運(yùn)動(dòng)員的感覺范圍可能不同， 這無疑對(duì)機(jī)器學(xué)習(xí)產(chǎn)生了影響． 此外， 輸入數(shù)據(jù)的３個(gè)屬性（ 涉及受訓(xùn)者的性別、 水中的培訓(xùn)次數(shù)和地面的培訓(xùn)次數(shù)） 是明確和客觀的， 但沒有出現(xiàn)在任何規(guī)則中．

2.2 水中感受預(yù)測(cè)與規(guī)則優(yōu)化實(shí)驗(yàn)（ 實(shí)驗(yàn)二）

水中感受預(yù)測(cè)與規(guī)則優(yōu)化實(shí)驗(yàn)與水中感受預(yù)測(cè)模型實(shí)驗(yàn)類似， 但改變了對(duì)游泳者感受的描述方式． 最終結(jié)果是由推斷的模糊分區(qū)的屬性和學(xué)習(xí)的模糊規(guī)則集所呈現(xiàn)的． 這些結(jié)果可以提供關(guān)于訓(xùn)練單元如何影響受訓(xùn)者第二天在水中的感受的重要信息． 水中感受預(yù)測(cè)與規(guī)則優(yōu)化實(shí)驗(yàn)是為了驗(yàn)證一個(gè)假設(shè)， 即簡(jiǎn)化感受量表可以提高推斷規(guī)則的質(zhì)量（ 有效性） ． 預(yù)測(cè)屬性量表的變化旨在概括感受， 并消除因受訓(xùn)者的個(gè)性化感受量表而產(chǎn)生的差異． 對(duì)這種修改的數(shù)據(jù)集進(jìn)行研究， 將先前實(shí)驗(yàn)中預(yù)測(cè)屬性中相同的兩個(gè)值是否涉及到不同的感覺．

實(shí)驗(yàn)后接收的規(guī)則集由６個(gè)規(guī)則組成， 如表４所列． 學(xué)習(xí)規(guī)則集的有效性提高了６ ８． ５ ６％． 它比之前實(shí)驗(yàn)的有效性高出１ ５． ３ ５％． 減少預(yù)測(cè)屬性中的值減少了由多個(gè)值重疊的區(qū)域的數(shù)量， 因此增加了類別的可預(yù)測(cè)性． 此外， 規(guī)則的數(shù)量也有所減少， 從水中感受預(yù)測(cè)模型實(shí)驗(yàn)中改進(jìn)的I F -RA I S推斷出７條規(guī)則， 而這個(gè)實(shí)驗(yàn)結(jié)束時(shí)只有６條規(guī)則．

需要注意的是， 在學(xué)習(xí)規(guī)則中忽略了４個(gè)屬性， 即性別、 睡眠時(shí)長(zhǎng)、 站立前/后脈搏數(shù)差、 地面訓(xùn)練． 兩個(gè)實(shí)驗(yàn)中從未使用過兩個(gè)屬性． 這些屬性涉及受訓(xùn)者的性別和在當(dāng)?shù)亟邮芘嘤?xùn)的次數(shù)． 根據(jù)培訓(xùn)師和參加研究的學(xué)員的意見， 似乎假設(shè)是真實(shí)的， 但假設(shè)需要進(jìn)一步研究． 另外兩個(gè)屬性睡眠時(shí)長(zhǎng)、 站立前/后脈搏數(shù)差在水中感受預(yù)測(cè)與規(guī)則優(yōu)化實(shí)驗(yàn)中被規(guī)則集忽略， 在水中感受預(yù)測(cè)模型實(shí)驗(yàn)中學(xué)習(xí)的規(guī)則使用了這兩個(gè)屬性． 這可能是水中感受預(yù)測(cè)模型實(shí)驗(yàn)中規(guī)則對(duì)學(xué)習(xí)集過度調(diào)整的結(jié)果， 這是由于缺乏預(yù)測(cè)類的給定值的語(yǔ)義后果造成的．

為了使受訓(xùn)者在水中感覺良好（ 類值 G） ， 在解釋實(shí)驗(yàn)結(jié)果時(shí)必須滿足以下３個(gè)規(guī)則之一： ①規(guī)則４： 在前一天午夜前或凌晨３點(diǎn)后睡覺; 達(dá)到訓(xùn)練當(dāng)天醒來后的脈搏與從床上站起來后的脈搏之間的差異， 該差異必須低于２或大于６; 在訓(xùn)練前一天游泳不超過９． ５k m． ②規(guī)則５： 不遲于午夜半時(shí)入睡; 實(shí)現(xiàn)訓(xùn)練當(dāng)天醒來后的脈搏與當(dāng)天從床上起床后的脈搏之間的差異， 差異必須高于２且低于６; 在水中進(jìn)行兩次訓(xùn)練或根本不進(jìn)行水中訓(xùn)練． ③規(guī)則６： 達(dá)到訓(xùn)練當(dāng)天醒來后的脈搏與當(dāng)天起床后的脈搏之間的差值， 差值必須高于１ . ５且低于５; 參加訓(xùn)練， 在此期間所進(jìn)行的刺激將持續(xù)不少于３ ０m i n; 在訓(xùn)練前一天游泳不超過２ . ５k m．

2.3 不同機(jī)器學(xué)習(xí)算法的準(zhǔn)確性比較

不同機(jī)器學(xué)習(xí)算法在分類問題上的表現(xiàn)及其機(jī)理各不相同， 現(xiàn)將改進(jìn)的I F RA I S算法與傳統(tǒng)分類器算法的性能進(jìn)行比較． 支持向量機(jī)（ s u p -p o r tv e c t o rm a c h i n e ， S VM） 算法通過支持向量機(jī)進(jìn)行分類， 它通過找到一個(gè)最優(yōu)的超平面， 將不同類別的數(shù)據(jù)分隔開． 樸素貝葉斯（ n a i v eb a y e s ，N B） 算法的原理是基于貝葉斯定理進(jìn)行分類的，假設(shè)屬性之間是獨(dú)立的， 通過計(jì)算每個(gè)屬性的條件概率以及類條件概率， 來預(yù)測(cè)樣本所屬的類別[ １ ０]． K S t a r算法是一個(gè)基于實(shí)例的分類器， 通過分析數(shù)據(jù)集的特征之間的關(guān)系， 建立一棵決策樹， 并使用這棵樹對(duì)新的樣本進(jìn)行分類． 元結(jié)束（ M e t aEND） 算法則是將每個(gè)分類器的判斷表示為特征向量， 并再次進(jìn)行分類， 由元分類器做出最終決策． 超管道（ H y p e rP i p e） 算法則是通過構(gòu)建超管道來進(jìn)行分類的， 每個(gè)超管道包含了來自某個(gè)類中的所有屬性值， 通過比較樣本與超管道的相似度來進(jìn)行分類． 不同機(jī)器學(xué)習(xí)算法在兩個(gè)數(shù)據(jù)集上的準(zhǔn)確率如表５所列， 結(jié)果顯示改進(jìn)的I F RA I S方法的結(jié)果在水中感受預(yù)測(cè)模型實(shí)驗(yàn)和水中感受預(yù)測(cè)與規(guī)則優(yōu)化實(shí)驗(yàn)中分別是５ ２． ７ ８±２． ７ ４、 ６ ８． ５ ９±１． ９ ６， 顯著高于其他機(jī)器學(xué)習(xí)算法，改進(jìn)的I F RA I S方法在分類精度上具有優(yōu)越性．

3 結(jié)語(yǔ)

本文提出的將模糊建模與免疫算法相結(jié)合的機(jī)器學(xué)習(xí)方法， 為游泳訓(xùn)練提供了新的視角和工具． 基于 A I S的模糊規(guī)則挖掘方法I F RA I S是一種有效的數(shù)據(jù)挖掘方法， 適合處理復(fù)雜的分類問題． 比較不同的機(jī)器學(xué)習(xí)算法在兩個(gè)實(shí)驗(yàn)中的效果， 可以看出， 改進(jìn)的I F RA I S方法的結(jié)果在兩個(gè)實(shí)驗(yàn)中的準(zhǔn)確率分別是５ ２． ７ ８±２． ７ ４、 ６ ８． ５ ９±１ . ９ ６， 明顯高于其他傳統(tǒng)算法． 說明使用機(jī)器學(xué)習(xí)方法對(duì)游泳訓(xùn)練進(jìn)行建模， 可以更好地指導(dǎo)運(yùn)動(dòng)員的訓(xùn)練過程， 可以幫助教練根據(jù)運(yùn)動(dòng)員的反應(yīng)和適應(yīng)情況調(diào)整訓(xùn)練計(jì)劃， 從而優(yōu)化訓(xùn)練效果． 改進(jìn)的I F RA I S機(jī)器學(xué)習(xí)算法為運(yùn)動(dòng)科學(xué)領(lǐng)域的發(fā)展提供了新的思路和方法， 為提高運(yùn)動(dòng)員的訓(xùn)練效果提供借鑒．

參考文獻(xiàn)：

[1]吳彰忠，鐘亞平，張立，等.中國(guó)式現(xiàn)代化體育新道路： 數(shù)字體育的使命與路向[J].體育科學(xué)，2023，43（6）： 3-12.

[2]楊國(guó)慶.整合分期：當(dāng)代運(yùn)動(dòng)訓(xùn)練模式變革的新思維 ［J].體育科學(xué)，2020，40（4）：3-14.

[3]霍波，李彥鋒，高騰，等.體育人工智能領(lǐng)域關(guān)鍵技術(shù) 的研究現(xiàn)狀和發(fā)展方向[J].首都體育學(xué)院學(xué)報(bào)，2023，35（3）：223-256.

[4]蘇宴鋒，趙生輝，李文浩，等.人工智能提升運(yùn)動(dòng)表現(xiàn) 的前沿進(jìn)展、困境反思與優(yōu)化策略[J].上海體育學(xué)院 學(xué)報(bào)，2023，47（2）：104-118.

[5]胡海旭，金成平.智能化時(shí)代的個(gè)性化訓(xùn)練一機(jī)器學(xué) 習(xí)應(yīng)用研究進(jìn)展與數(shù)字化未來[J].體育學(xué)研究，2021，35（4）：9-19.

[6] RAJSP A，F(xiàn)ISTER I. A systematic literature review of intelligent data analysis methods for smart sport training[J]. Applied Sciences，2020，10（9） ：3013.

[7] WOJCIK K， PIEKARCZYK M. Machine learning method-ology in a system applying the adaptive strategy for teaching human motions[J]. Sensors，2020，20（1）：105-112.

[8]李海鵬，陳小平，何衛(wèi)，等.科技助力競(jìng)技體育：運(yùn)動(dòng)訓(xùn) 練中可穿戴設(shè)備的應(yīng)用與發(fā)展[J].成都體育學(xué)院學(xué) 報(bào)，2020，46（3）：19-25.

[9]宋群，袁青霞，王俊江.基于自動(dòng)機(jī)器學(xué)習(xí)的運(yùn)動(dòng)過程 心電檢測(cè)算法[J].西北大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，53（5）：771-781.

[10]黃小杰，劉芝秀，鄧梓楊，等.基于Gauss分布和Gram-Schmidt正交化的樸素貝葉斯分類算法[J].南昌大學(xué)學(xué)報(bào)（理科版），2023，47（3）：213-217.

[責(zé)任編輯：紀(jì)彩虹]