改进的RBFNN在运动员竞技状态预测中的应用

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (9): 217-219.

改进的RBFNN在运动员竞技状态预测中的应用

张乐¹,魏振钢¹,姚晓晓¹,杨红云²

1.中国海洋大学计算机系，山东青岛 266100
2.青岛酒店管理学院，山东青岛 266100

收稿日期:2007-07-12 修回日期:2007-09-17 出版日期:2008-03-21 发布日期:2008-03-21
通讯作者: 张乐

Application of RBF neural network based on mixture clustering in forecasting of athlete’s sports state

ZHANG Le¹,WEI Zhen-gang¹,YAO Xiao-xiao¹,YANG Hong-yun²

1.Department of Computer Science and Technology，Ocean University of China，Qingdao，Shandong 266100，China
2.Qingdao Hismile College，Qingdao，Shandong 266100，China

Received:2007-07-12 Revised:2007-09-17 Online:2008-03-21 Published:2008-03-21
Contact: ZHANG Le

摘要/Abstract

摘要： 提出了一种改进的径向基函数（RBF）神经网络，该神经网络以模糊系统模型为基础。首先利用减法聚类算法确定径向基函数的中心数，然后通过模糊C均值聚类算法优化基函数中心与宽度，最后依据样本数据的聚类结果设计RBF神经网络并进行训练。将该神经网络应用于网球队运动员的竞技状态的预测。仿真结果表明：该算法先进有效、具有较高的精度，用其建立的模型具有较强的实用性。

关键词: 径向基神经网络（RBFNN）, 减聚类算法, 模糊C均值算法, 竞技状态, 预测

Abstract: This paper presents an improved RBF neural network which based on fuzzy system model.The first determine the centers’ number of RBF using subtractive clustering method，the second optimize the position of the centers and centers’ width in RBF according to fuzzy C-mean algorithm，the last design and train the RBF neural network depending on the result of samples clustering.The neural network is used to forecast the sports state of the tennis athletes.The result of this algorithm is effective and has higher precision，and this model can be available to the domain.

Key words: radial basis function neural network, subtractive clustering, fuzzy C-mean algorithm, sports state, forecasting

张乐¹,魏振钢¹,姚晓晓¹,杨红云². 改进的RBFNN在运动员竞技状态预测中的应用[J]. 计算机工程与应用, 2008, 44(9): 217-219.

ZHANG Le¹,WEI Zhen-gang¹,YAO Xiao-xiao¹,YANG Hong-yun². Application of RBF neural network based on mixture clustering in forecasting of athlete’s sports state[J]. Computer Engineering and Applications, 2008, 44(9): 217-219.

[1]	黄冬宜，杨兵，吴子豪，匡佳一，颜泽明. 用于全市蜂窝流量预测的时空全连接卷积网络[J]. 计算机工程与应用, 2021, 57(9): 168-175.
[2]	杨力，吴义，魏德宾，潘成胜. 基于时空相关性的卫星网络流量预测[J]. 计算机工程与应用, 2021, 57(7): 101-106.
[3]	常昊，陈晓雷，张爱华，李策，林冬梅. 嵌入改进SENet的卷积神经网络连续血压预测[J]. 计算机工程与应用, 2021, 57(7): 130-135.
[4]	李莉，纪欣沅，宋嵩. 回环软件缺陷数量预测模型[J]. 计算机工程与应用, 2021, 57(7): 158-163.
[5]	刘紫燕，袁磊，朱明成，马珊珊，陈霖周廷. 融合SPP和改进FPN的YOLOv3交通标志检测[J]. 计算机工程与应用, 2021, 57(7): 164-170.
[6]	张睿，吴伯雄，张丽园，张博. 复杂场景下行人轨迹预测方法[J]. 计算机工程与应用, 2021, 57(6): 138-143.
[7]	杨丰玉，黄雅璇，周世健，郑巍. 结合多元度量指标软件缺陷预测研究进展[J]. 计算机工程与应用, 2021, 57(5): 10-24.
[8]	张倩玉，严冬梅，韩佳彤. 结合深度学习和分解算法的股票价格预测研究[J]. 计算机工程与应用, 2021, 57(5): 56-64.
[9]	李硕，梁毅. 面向Spark的批处理应用执行时间预测模型[J]. 计算机工程与应用, 2021, 57(5): 79-87.
[10]	赵红蕊，薛雷. 基于LSTM-CNN-CBAM模型的股票预测研究[J]. 计算机工程与应用, 2021, 57(3): 203-207.
[11]	徐先峰，蔡路路，张丽. 融合MLP和DBN的光伏发电预测算法[J]. 计算机工程与应用, 2021, 57(3): 266-272.
[12]	郑建锋，王应明. 基于DEA-BP神经网络的效率置信区间预测模型研究[J]. 计算机工程与应用, 2021, 57(3): 273-278.
[13]	姚远，张朝阳. 基于HP-LSTM模型的股指价格预测方法[J]. 计算机工程与应用, 2021, 57(24): 296-304.
[14]	安卫超，阎婷，张楠，张杉，相洁，曹锐，王彬. 病理图像纹理分析在胃癌MSI预测中的应用研究[J]. 计算机工程与应用, 2021, 57(24): 205-211.
[15]	顾海艳，陈亮，王多点. 基于模型预测控制的无人机时空协同航迹规划[J]. 计算机工程与应用, 2021, 57(23): 270-279.