[发明专利]通过机器学习构建球员带球关系的方法、装置及系统

权利要求书

1.一种通过机器学习构建球员带球关系的方法，其特征在于，应用于超宽带定位系统，所述超宽带定位系统包括多个定位基站、多个球员标签和至少一个足球标签，所述超宽带定位系统通过所述定位基站确定所述球员标签和足球标签的位置坐标，该通过机器学习构建球员带球关系的方法包括：

分别确定所述球员标签和足球标签的位置坐标数据；

根据所述球员标签和足球标签的位置坐标数据，确定每个时刻距离所述足球标签最近的球员标签；

根据每个时刻距离所述足球标签最近的球员标签，建立带球数据的数学模型，其中，所述根据每个时刻距离所述足球标签最近的球员标签，建立带球数据的数学模型的步骤，包括：

构建每个球员的带球函数y＝F(x)，其中，x表示球员与足球之间处于带球状态或者非带球状态；

根据所述带球函数，建立所述球员在n时刻的带球数据的数学模型F_n为：

F_n＝∑α_iF_i(x_i)，其中，i＝n-1,n-2,…,0；F_i(x_i)表示球员在第i时刻的带球函数，α_i为表示第i时刻的带球函数所对应的权值；

通过拉格朗日插值法来对所述带球数据进行平滑处理，以过滤掉所述带球数据中的噪点数据；

根据过滤掉所述噪点数据后的带球数据对所述带球数据的数学模型进行更新，得到更新后的带球数据的数学模型P_n(x_i)为：

P_n(x_i)＝P_n-1(x_i)+β(F_n-1-P_n-1(x_i))，其中，F_n-1为所述带球数据的数学模型，β为平滑常数；

通过预设机器学习算法，校准所述更新后的带球数据的数学模型。

2.根据权利要求1所述的通过机器学习构建球员带球关系的方法，其特征在于，根据所述球员标签和足球标签的位置坐标数据，确定每个时刻距离所述足球标签最近的球员标签的步骤包括：

将所述位置坐标数据转换为数据矩阵；

建立与每个球员标签对应的球员矩阵，所述球员矩阵包括与每个所述球员的位置坐标数据对应的时间戳及坐标数据；

建立与所述足球对应的足球矩阵，所述足球矩阵包括与所述足球的位置坐标数据对应的时间戳、横坐标数据及立坐标数据；

根据所述球员矩阵和足球矩阵，计算每个时刻每个所述球员与所述足球的距离；

根据预设函数确定每个时刻距离所述足球标签最近的球员标签。

3.根据权利要求2所述的通过机器学习构建球员带球关系的方法，其特征在于，根据所述球员矩阵和足球矩阵，计算每个时刻每个所述球员与所述足球的距离采用以下公式计算：

其中，σ为所述球员与所述足球的距离；s1为每个时刻所述球员的横坐标信息与所述足球的横坐标信息的差值；s2为每个时刻所述球员的立坐标信息与所述足球的立坐标信息的差值。

4.根据权利要求2所述的通过机器学习构建球员带球关系的方法，其特征在于，根据预设函数确定每个时刻距离所述足球标签最近的球员标签的步骤包括：

对通过所述球员矩阵和足球矩阵计算得到的每个时刻每个所述球员与所述足球的距离构成的矩阵中，每行数据取最小值，得到每个时刻距离所述足球标签最近的球员标签。

5.根据权利要求1所述的通过机器学习构建球员带球关系的方法，其特征在于，通过预设机器学习算法，校准所述更新后的带球数据的数学模型的步骤包括：

将所述更新后的带球数据的数学模型的值作为训练样本通过监督学习建立分类器；

将所述带球数据的数学模型的值作为测试样本利用所述分类器进行分类，校准所述更新后的带球数据的数学模型。

6.根据权利要求1所述的通过机器学习构建球员带球关系的方法，其特征在于，所述超宽带定位系统还包括运维平台，所述运维平台用于记录比赛现场的比赛数据。