ИСПОЛЬЗОВАНИЕ НЕЙРОННОЙ СЕТИ ПРЯМОГО РАСПРОСТРАНЕНИЯ ДЛЯ ПРОГНОЗИРОВАНИЯ СПОРТИВНЫХ РЕЗУЛЬТАТОВ В ИНДИВИДУАЛЬНЫХ ВИДАХ СПОРТА

Аннотация. Статья рассматривает вопрос прогнозирования спортивных результатов в индивидуальных видах спорта. Рассмотрен вопрос использования в качестве инструмента прогнозирования нейронной сети прямого распространения, приведены результаты экспериментов. Приведена обобщенная структура системы для прогнозирования результатов в индивидуальных видах спорта. Рассмотрены перспективы дальнейшей работы в данном направлении.

Ключевые слова: нейронная сеть, нейрон, слой, алгоритм обучения, прямое распространение, индивидуальный вид спорта, прогнозирование, структура.

Современный спорт требует от функционеров, персонала, тренеров и спортсменов соответствовать требованиям времени.

Краткосрочное, среднесрочное и долгосрочное прогнозирование необходимо в спорте, для выстраивания планов подготовки в рамках одного, нескольких подготовительных циклов или сезонов. Прогнозирование позволяет корректировать рабочие планы специалистов и спортсменов, применять нововведения, либо напротив, испытанные ранее методики. Имея представление о спрогнозированном ранее контрольном или соревновательном результате, специалисты могут корректировать не только подготовку спортсменов, но и работу спортивных функционеров, спортивных клубов, центров и школ.

Наиболее часто прогнозируются результаты спортивных игр, единоборств, это как правило, это приносит коммерческую выгоду букмекерским агентствам и конторам [2]. Гораздо реже прогнозируются с помощью информационно-технологических средств (ИТ-средств) индивидуальные результаты, показатели и контрольные нормативы спортсмена.

Студентами и специалистами ВятГУ производится работа по разработке прототипа системы для прогнозирования результатов в индивидуальных видах спорта [1]. Укрупненная структура системы представлена на рисунке 1. Система содержит несколько нейронных сетей, с помощью которых производится прогноз.

Рисунок 1. Укрупненная структура системы

Обучающая выборка для нейронной сети составлена на основе двенадцати контрольных показателей спортсмена, специализирующегося на прыжках в длину. Выборка содержит в себе более 30 векторов, каждый из которых состоит из одиннадцати контрольных показателей спортсмена, характеризующих общую и специальную физическую подготовку. Двенадцатый параметр вектора – это профильный результат спортсмена. График, построенный на основе профильных результатов спортсмена из обучающей выборки представлена на рисунке 2.

Рисунок 2. График обучающей выборки

Одной из сетей, выбранных для экспериментов стала нейронная сеть прямого распространения. Данная сеть состоит из простых нейронов, связанных между собой. Передача сигнала односторонняя от одного нейронного слоя к другому. Нейроны организованы в слои - имеется входной нейронный слой, скрытые нейронные слои, и выходной нейронный слой [3].

Сеть создавалась и обучалась в среде MATLAB, график построенный после обучения нейронной сети на основе тестовых результатов представлен на рисунке 3.

Рисунок 3. График полученный после обучения нейронной сети

При использовании в качестве функции активации гиперболический тангенс на каждом слое, а также положительную линейную функцию на каждом слое, сеть обучалась с высокой ошибкой обучения, что неприемлемо для задачи прогнозирования.

Более корректные результаты экспериментов с нейронной сетью прямого распространения приведены в таблице 1. Во входном нейронном слое функция активации гиперболический тангенс, а в последующих нейронных слоях – линейная функция активации.

Таблица 1.

Результаты экспериментов

Нейронная сеть обучена, минимальная ошибка обучения получена при использовании структуры сети в пять нейронов в первом слое, и один нейрон во втором слое, с 1000 эпох обучения. Уменьшению ошибки обучения способствует уменьшение структуры нейронной сети, что объясняется маленькой обучающей выборкой.

Для понимания способности этой нейронной сети выявлять важные зависимости результата от ключевых параметров построен совмещенный график. На рисунке 4 изображен фрагмент совмещенного графика результатов, представленных в обучающей выборке и результатов тестового прогнозирования с помощью нейронной сети прямого распространения, иллюстрирующий выявление зависимости при имеющихся параметрах.

Рисунок 4. Фрагмент совмещенного графика

Нейронная сеть прямого распространения выявляет часть зависимостей, выраженных в «перепаде» результата спортсмена на графике.

Нейронную сеть возможно использовать для прогнозирования результатов в индивидуальных видах спорта, с обучением на небольшой обучающей выборке. Обученная сеть хранится в файле среды MATLAB, и доступна для работы и прогнозирования через стандартный интерфейс этой среды.

В качестве дальнейшей работы над системой можно отметить работу с другими моделями нейронных сетей, программную реализацию системы или частей системы на языках программирования высокого уровня, аппаратную реализацию системы, и, конечно, внедрение прототипа системы в спортивные клубы, школы, секции и т.п.

Список литературы:

1. Крутиков А.К., Клюкин В.Л. Прогнозирование спортивных результатов с помощью нейронных сетей. Advanced Science. Технические науки. –ВятГУ, 2017, №2. С. 44-52.
2. Прогнозирование исходов спортивных игр. URL: http://neuronus.com/stat/207-prognosys-sport-neural-claster.html. – (Дата обращения 20.10.2017).
3. Искусственная нейронная сеть прямого распространения. URL: http://neuronus.com/theory/243-struktura-iskusstvennoj-nejronnoj-seti-pryamogo-rasprostraneniya.html - (Дата обращения 14.04.2018).