Нейросетевое прогнозирование статистики стрельбы стоя в соревнованиях по биатлону
статья по физкультуре (10 класс)

УДК 004.032.26; 796.92.093.642

Нейросетевое прогнозирование статистики стрельбы стоя в соревнованиях по биатлону^[1]

Зеленский Алексей Валерьевич

Смоленская государственная академия физической культуры, спорта и туризма, 214018, г. Смоленск, пр. Гагарина, 23, biatlon.05@mail.ru.   

Лесникова Юлия Юрьевна

Пермский государственный научно-исследовательский университет, 614990, г. Пермь, ул. Букирева, 15, tselisheva.yulia@yandex.ru.

Данная работа посвящена прогнозированию успешности выступления на соревнованиях спортсменов-биатлонистов. Одним из наиболее важных показателей успешности выступления является статистика стрельбы. Этот показатель вычисляется за один сезон и представляет собой процент попаданий из общего количества выстрелов, выполненных за все соревнования сезона. Существует два положения стрельбы: стоя и лежа. В данной работе рассматривается статистика стрельбы стоя.

Ключевые слова: нейросетевое моделирование, искусственный интеллект, биатлон.

Введение

Нейросетевое моделирование все чаще находит применение во многих областях науки и техники. Происходит непрерывное усложнение и совершенствование уже имеющихся моделей, ведется разработка новых моделей. Такое активное развитие данного метода делает возможным его применение в одной из наиболее сложных для моделирования областей: в спорте. Так, например, при выступлении спортсмена на соревнованиях присутствует большое количество факторов, плохо поддающихся формализации, таких, как погодные условия, психологическое состояние спортсмена, его настрой на выступление и так далее. Подобные факторы одновременно оказывают значительное влияние на результат выступления и вызывают затруднения при попытках их учесть при моделировании. Однако работа в данном направлении активно ведется и можно выделить ряд наиболее успешных исследований.

Предсказание результатов спортивных состязаний было осуществлено в работах [1, 2]. В [1] построен прогноз результатов олимпиады-2014 в мужском одиночном фигурном катании, а в [2] с помощью нейросетевого моделирования определены главные претенденты на победу в чемпионате мира 2015 по легкой атлетике. Статья [3] посвящена прогнозированию распределения мест в таблицах неофициального командного зачета при проведении Олимпиады. Возможность использования карт Кохонена для моделирования тренировочного процесса спортсменов-биатлонистов была доказана в [4].

Также имеются зарубежные публикации по применению нейросетевого моделирования в спорте: выявление приемов игры в баскетбол, оказывающих наибольшее влияние на счет [5]; определение способных, перспективных спортсменов для отбора в команды [6].

Настоящая работа посвящена прогнозированию одного из показателей успешности выступления на соревнованиях по биатлону: статистики стрельбы стоя.

Построение нейронной сети

Начальный этап построения нейронной сети подразумевает выделение признаков, которые могли бы оказывать влияние на один или несколько интересующих показателей. Совокупность таких признаков образует множество входных параметров , а набор интересующих признаков — множество выходных параметров . Конкретный набор значений входных параметров  и соответствующий им набор желаемых выходных параметров  составляют одно наблюдение, здесь  — номер наблюдения. Множество наблюдений образуют набор данных для обучения и тестирования сети. Результатом нейросетевого моделирования является набор векторов , в котором каждый вектор  отличается от желаемого вектора  не более, чем на заданную величину [7].

Делается предположение, что статистика стрельбы биатлониста определяется следующими характеристиками спортсмена:

Интересующий показатель, существенно влияющий на успешность выступления спортсмена-биатлониста на соревнованиях, — статистика стрельбы. Статистика стрельбы показывает процент попаданий в мишень по отношению к общему количеству произведенных выстрелов, полученный за один соревновательный сезон. Стрельба в биатлоне осуществляется из двух положений: стоя и лежа. Рассматривается статистика стрельбы стоя:

Моделирование целевой переменной — статистики стрельбы стоя — осуществлялось с помощью нейросимулятора [8].

Набор данных содержит 28 колонок и 105 наблюдений. 28 колонок включают 27 параметров и одну целевую переменную. Сеть будет иметь 27 нейронов на входном слое и 1 нейрон на выходном слое. 105 наблюдений — это информация о 21 биатлонисте, полученная за 5 лет. 95 наблюдений будут использованы для обучения нейронной сети, соответственно, оставшиеся 10 наблюдений — для проверки построенной сети.

Оптимальная структура нейронной сети для статистики стрельбы стоя: двадцать семь входных нейронов, по два нейрона на двух скрытых слоях, один выходной нейрон; алгоритм обучения — алгоритм Левенберга-Марквардта, активационная функция — гиперболический тангенс. Для данной сети ошибка на обучающем множестве составила 3,02%, а ошибка на тестирующем множестве — 16,91%.

Гистограмма адекватности, отражающая соответствие между желаемыми значениями статистики стрельбы лежа и действительными, полученными в результате моделирования, представлена на рисунке 1.

Рисунок 1. Гистограмма адекватности для статистики стрельбы стоя

При оценке значимости параметров сети была обнаружена нестабильность в результатах: при одной и той же (оптимальной) структуре сети обучение заново каждый раз приводит к тому, что наиболее значимыми оказываются разные наборы параметров. Такие результаты могут являться следствием сильной корреляции между некоторыми входными параметрами.  Для проверки данного предположения была построена корреляционная матрица по множеству значений входных параметров (приложение 1). Согласно полученным значениям коэффициентов попарной корреляции входных параметров, можно сделать вывод, что достаточно сильная линейная зависимость наблюдается между следующими парами входных параметров (таблица 1):

Таблица 1. Пары сильно коррелированных между собой входных параметров

Основываясь на данных в таблице 1, можно исключить следующие параметры:

• объем циклической работы за сезон,
• PWC170 на килограмм веса,
• максимальное потребление кислорода
• максимальное потребление кислорода на килограмм веса,
• количество часов холостого тренажа.

Сокращенное множество параметров было использовано для обучения новой сети с такой конфигурацией, которая оказалась оптимальной для полного множества параметров, однако к стабилизации значимости параметров это не привело. Так как причина нестабильности значимости параметров сети заключается не в наличии корреляции между входными параметрами, для дальнейшего исследования была использована оптимальная сеть, обученная на всем множестве входных параметров. Для определения наиболее важных показателей, влияющих на статистику стрельбы стоя, была вычислена средняя значимость параметров сети по двадцати сетям с оптимальной конфигурацией и по полученным значениям была построена гистограмма (рисунок 2).

Рисунок 2. Значимость параметров оптимальной сети для статистики стрельбы стоя

Таким образом, наибольшее влияние на статистику стрельбы стоя оказывают следующие параметры: PWC170, максимальное потребление кислорода на килограмм веса, занимается ли спортом отец спортсмена, тип характера и звание/разряд.

Анализ зависимости статистики стрельбы от наиболее значимых параметров

Данная часть работы посвящена рекомендациям спортсменам и тренеру по тому, на что следует обратить внимание при организации тренировочного процесса. Рассмотрены результаты нескольких спортсменов за пять лет. Следует обратить внимание, что не все из наиболее значимых параметров могут быть изменены спортсменом. Например, значение такого параметра, как занимается ли спортом отец, в большинстве случаев может быть учтено только до начала тренировочного процесса, когда тренеру ничего не известно о потенциальном воспитаннике. Прослежена динамика результатов одиннадцати спортсменов в зависимости от того, занимаются ли их отцы спортом.

Исходя из данных, изображенных на графиках, можно сделать вывод, что дети отцов, занимающихся спортом, имеют лучшую статистику стрельбы.

Тип характера спортсмена так же, как параметр, обозначающий, занимается ли отец спортом или нет, не поддается корректировке: изменить характер спортсмена представляется практически невозможным.

        Зависимость между статистикой стрельбы и званием/разрядом достаточно очевидна: качество стрельбы играет значительную роль при выполнении более высокого разряда или при получении более высокого звания.

        PWC170 и максимальное потребление кислорода (МПК) на килограмм веса представляют собой наиболее надежные характеристики физической работоспособности человека. Входные параметры, соответствующие этим показателям, обладают наиболее высокой значимостью по сравнению со всеми остальными входными параметрами.

        Рассмотрено влияние значений параметров PWC170 и МПК на килограмм веса на статистику стрельбы стоя. Графики в первой колонке отражают зависимость статистики стрельбы от показателя PWC170, а графики во второй колонке — от показателя МПК на килограмм веса. Графики построены следующим образом. Отобраны пять спортсменов и взяты значения их показателей — PWC170 и МПК на килограмм веса — за последний год тренировок. Вычислены средние значения, на которые изменяются данные показатели за год тренировок (шаг) и получены величины статистики стрельбы для самих значений показателей и для двух значений, отличных от реальных значений показателей на шаг в меньшую и большую стороны.

Увеличение показателей PWC170 и МПК на килограмм веса, как правило, приводит к улучшению статистики стрельбы, в чем можно убедиться, изучив представленные выше графики. Следовательно, тренеру лучше организовать тренировочный процесс таким образом, чтобы тренировки способствовали росту данных показателей.

Заключение

Создана нейросетевая математическая модель, предсказывающая статистику стрельбы биатлониста из положения стоя. Выявлены наиболее значимые характеристики спортсмена, оказывающие определяющее влияние на статистику стрельбы из положения стоя.

Библиографический список

1. Ясницкий Л.Н., Внукова О.В., Черепанов Ф.М. Прогноз результатов олимпиады-2014 в мужском одиночном фигурном катании методами искусственного интеллекта // Современные проблемы науки и образования. – 2014. – № 1; URL: http://www.science-education.ru/115-11339 (дата обращения: 10.04.2017).
2. Ясницкий Л.Н., Кировоса А.В., Ратегова А.В., Черепанов Ф.М. Прогноз результатов Чемпионата мира-2015 по легкой атлетике методами искусственного интеллекта // Современные проблемы науки и образования. – 2014. – № 4; URL: www.science-education.ru/118-14423 (дата обращения: 10.04.2017).
3. Ясницкий Л.Н., Павлов И.В., Черепанов Ф.М. Прогнозирование результатов олимпийских игр 2014 года в неофициальном командном зачете методами искусственного интеллекта // Современные проблемы науки и образования. – 2013. – № 6; URL: http://www.science-education.ru/113-11206 (дата обращения: 10.04.2017).
4. Зеленский А.В., Зеленский А.В. Моделирование тренировочного процесса в биатлоне с помощью искусственного интеллекта // Ученые записки университета имени П.Ф. Лесгафта. – 2017. – №2(144); URL: http://lesgaft-notes.spb.ru/ru/node/10050 (дата обращения: 12.04.2017).
5. Ivanković Z., Racković M., Markoski B., Radosav D., Ivković M. Appliance of Neural Networks in Basketball Scouting // Acta Polytechnica Hungarica. 2010. Vol. 7, No. 4.  Pp. 167-180.
6. McCullagh J. Data Mining in Sport: A Neural Network Approach // International Journal of Sports Science and Engineering. 2010. Vol. 04. No. 03. Pp. 131-138.
7. Ясницкий Л.Н. Интеллектуальные информационные технологии и системы: учеб.-метод. пособие. – Пермь: изд-во Пермского ун-та, 2007. – 271 с.
8. 4. Черепанов Ф.М., Ясницкий Л.Н. Нейросимулятор 5.0. Свидетельство о государственной регистрации программы для ЭВМ № 2014618208. Заявка Роспатент № 2014614649. Зарегистрировано в Реестре программ для ЭВМ 12 августа 2014г.

Приложение 1. Матрица корреляций Пирсона для входных параметров

Примечание. Цветом выделены наиболее высокие коэффициенты корреляции Пирсона: чем ярче цвет, тем выше значение коэффициента.