[发明专利]一种青少年运动员动作技术的智能训练方法

权利要求书

1.一种青少年运动员动作技术的智能训练方法，其特征在于，包括如下步骤：

步骤1，运动项目关键技术动作确认，并提取对应的关键技术参数，计算权重关键技术参数所占权重；

步骤2，根据步骤1获得的关键技术参数和权重，采集优秀运动员数据，并进行技术特点聚类；

步骤3，根据步骤1获得的关键技术参数和步骤2确定的分类，通过数据测试建立优秀运动员关键技术动作曲线库，即关键技术参数在关键点所在时间段内的曲线样本数据库；

步骤4，采集青少年运动员关键技术动作曲线，并计算与步骤3所构建曲线库中的优秀运动员关键技术动作曲线的相似度，包括时空依赖型曲线相似度计算和和非时空依赖型曲线相似度计算；

步骤5，根据步骤4中的计算方法，结合步骤1确定的权重，计算青少年运动员与第c个优秀运动员分类的曲线相似度均值，并根据其判别该青少年运动员分类；

步骤6，进一步确定该青少年运动员在类内与哪些优秀运动员最相似，据此指定个性化运动技术训练方案，并周期性调整。

2.如权利要求1所述的一种青少年运动员动作技术的智能训练方法，其特征在于：

步骤1中根据已有研究提取关键技术参数，将关键技术参数在关键点的数据与运动成绩做相关分析，如果具有统计学显著意义，且相关系数在0.1以上则认为关键技术参数选取合理；否则将相关度较低的参数淘汰，重新筛选补充；

假设最终共有w项关键技术参数，运用关键技术参数的相关系数与总和之比作为权重，则可得权重向量：

其中，r_i和r_j分别表示第i个和第j个关键技术参数。

3.如权利要求1所述的一种青少年运动员动作技术的智能训练方法，其特征在于：步骤2中优秀运动员技术特点聚类的具体实现方式如下；

根据运动员关键动作技术特点，基于密度峰值聚类算法DPC和具有噪声的基于密度的聚类算法DBSCAN相结合的聚类，用以解决运动员技术特点分布的多中心和多密度问题；

21.首先根据已有研究选取关键技术参数关键点，然后根据选取的关键技术参数关键点，选取N个优秀运动员进行测试，并选取每个人成绩最好的一次整理数据；

22.将运动员的w个关键技术参数关键点数据按照顺序整理成关键点技术向量X_i＝(x_i1，x_i2，x_i3，…，x_iw)，其中，下标i是指第i个运动员，所有N个运动员的技术参数形成运动员关键技术参数关键点数据的数据集D＝{X₁，X₂，X₃，…，X_N}；

23.确定数据集参数：δ_b，为根据样本确定的距离阈值，用于对二维决策图进行密度分层；Eps，为DBSCAN算法中的邻域半径，用于确定邻域范围；MinPts，为邻域密度阈值；

24.计算任意两个运动员i和j的关键点技术向量之间的距离d_ij，并将其从小到大排序，选取合适的截断距离d_c，其中d_ij是加入权重后的欧式距离：

25.根据截断距离d_c计算任意关键点技术向量X_i的局部密度ρ_i，X_i与其最近的更高密度点的距离δ_i；

26.根据所有X_i的ρ_i和δ_i，组成(ρ_i，δ_i)二维坐标点，形成二维决策图，每一个X_i对应图上的一个点，也代表着某个运动员的聚类特征；

27.根据ρ_max-ρ_min的范围，设定参数θ取值，进行密度区间分割，使区间数大致在5-10个左右，其中分割区间数ρ_max表示最大局部密度，ρ_min表示最小局部密度；

28.计算所有关键点技术向量的类簇中心判别函数并按从小到大排序，如果有d_deti+1≥5d_deti，则将{d_deti+1，d_deti+2，…d_detn}所对应的点作为类簇中心备选点集，剩余的作为非簇类中心点，n表示根据条件选出的类簇中心备选点的个数；

29.在二维决策图中对于δ≥δ_b的区域，如果某个密度区间中没有X_i对应的(ρ_i，δ_i)点分布，则将其作为分割区间，根据密度区间中X_i的分布情况，进行密度分层，密度层数等于分割区间数加一；

210.如果分割区间数为零，仅有一个密度层，则转到211；如果有两个以上的密度层则转到212；

211.根据δ_i值的从属关系将非簇类中心点依次依附于其更高密度点上，完成分类；

212.按照密度层的密度从高到低依次应用DBSCAN进行处理。从密度最高层开始，自属于该层的关键点技术向量集中任意选择起始点，首先判别是否标记，如未标记则根据设定的Eps扫描数据集D，查看该点X_p的邻域数据的个数；

213.如果N_Eps(X_p)≥Min Pts，然后根据直接密度可达，密度可达，查找密度相连所有数据，并以类标签标记为已处理，其中N_Eps是指落在Eps半径内的点数；

214.如果不满足N_Eps(X_p)≥Min Pts，标记已处理过，不标记类标签，下次取数据时不再考虑，等待其他数据进行密度可达或者密度相连时处理；

215.重复执行210、211、212，直到所有数据都被标记已处理，对于没有类标记的数据作为噪声处理，聚类结束；

216.对于第i个类，记X_oi表示类簇中心，如果其中心的N_Eps(X_oi)小于所有类中心邻域所含点的均值，则将其标记为微小类，当微小类个数小于其他类个数的一半时，将其与附近的类合并，否则保持微小类，分类完成；

217.输出分类结果，假设有C个分类。