[发明专利]一种基于冠军模型的训练方法

说明书

本发明公开了一种基于冠军模型的训练方法，包括如下步骤：步骤一：对运动员的历史训练视频进行数据采集，得到多个多维向量，每一个向量的各项指标都代表着一次训练过程的各项采集数据；接着使用K‑means聚类分析算法，使用欧氏距离计算向量间的距离，将所有数据分为K类；步骤二：统计每一类的平均成绩，取出平均成绩最优的一类，供下面继续分析；本发明以运动员自身数据为蓝本，引入冠军数据加以辅助，从而生成专属于运动员个人的冠军模型，同时在运动员每次训练后会及时更新数据完善模型，帮助运动员明确目标。

技术领域

本发明涉及训练方法领域，尤其涉及一种基于冠军模型的训练方法。

背景技术

训练，意思是指有计划有步骤地通过学习和辅导掌握某种技能。有意识地使受训者发生生理反应，从而改变受训者素质、能力的活动。和教育一样，训练也是培养人的一种手段。

目前，训练过程中难以对训练细节进行把控，导致运动员成绩提高有限，需要做出改进。

发明内容

本发明的目的在于提供一种基于冠军模型的训练方法，以解决上述技术问题。

本发明为解决上述技术问题，采用以下技术方案来实现：

一种基于冠军模型的训练方法，包括如下步骤：

步骤一：对运动员的历史训练视频进行数据采集，得到多个多维向量，每一个向量的各项指标都代表着一次训练过程的各项采集数据；接着使用K-means聚类分析算法，使用欧氏距离计算向量间的距离，将所有数据分为K类；

步骤二：统计每一类的平均成绩，取出平均成绩最优的一类，供下面继续分析；

步骤三：引入各大体育赛事决赛中的前三名比赛数据，每一个比赛数据视为一个多维向量，成为冠军数据，将冠军数据与前一步骤中取得的平均成绩最优的一类再次进行K—mean聚类分析，再次统计每一类的平均成绩，取出平均成绩最优的一类，称为最优类；

步骤四：在最优类内利用样条插值法进行离散数据连续化；

步骤五：利用RNN中的LeNet-AlexNet-VGG网络在连续最优类内进行最优化计算，利用RMSProp算法使用加权梯度下降，在此过程中得到最优类中成绩最高的点。

优选的，所述RMSProp的公式如下：

优选的，所述步骤一中，K值可结合分类情况选取，这K类，每一类有着相近的有益指标。

本发明的有益效果是：

本发明以运动员自身数据为蓝本，引入冠军数据加以辅助，从而生成专属于运动员个人的冠军模型，同时在运动员每次训练后会及时更新数据完善模型，帮助运动员明确目标。

具体实施方式

为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施例，进一步阐述本发明，但下述实施例仅仅为本发明的优选实施例，并非全部。基于实施方式中的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得其它实施例，都属于本发明的保护范围。下述实施例中的实验方法，如无特殊说明，均为常规方法，下述实施例中所用的材料、试剂等，如无特殊说明，均可从商业途径得到。

以举重为例，首先，我们可以对运动员的历史训练视频进行数据采集，得到多个多维向量，每一个向量的各项指标都代表着一次训练过程的各项采集数据。接着我们可以使用K-means聚类分析算法，使用欧氏距离计算向量间的距离，将所有数据分为K类。K值可结合分类情况选取。这K类，每一类有着相近的有益指标，代表着一种举重方式。

我们统计每一类的平均举重成绩，取出平均成绩最优的一类，供下面继续分析。可以认为按这一类指标代表的方式更容易出好成绩。