一种用于冰雪体育运动的预警系统及方法

技术领域

本发明属于危险预警技术领域，具体是指一种用于冰雪体育运动的预警系统及方法。

背景技术

冰雪体育运动的预警系统是对冰雪体育运动的相关数据进行处理，以提前预防危险事故和保护运动员的安全。但是现有的预警系统存在隐藏层神经元的最佳数量难以确定，隐藏层神经元权重分配不均匀，导致模型训练效率低和过拟合的问题；现有的参数搜索算法存在初始化位置不均匀，收敛速度慢，容易陷入局部最优，不能找到全局最优解，导致模型性能下降的问题。

发明内容

针对上述情况，为克服现有技术的缺陷，本发明提供了一种用于冰雪体育运动的预警系统及方法，针对现有的预警系统存在隐藏层神经元的最佳数量难以确定，隐藏层神经元权重分配不均匀，导致模型训练效率低和过拟合的问题，本方案引入间接灵敏度和直接灵敏度得到隐藏层神经元的总灵敏度，基于损失函数和总灵敏度确定隐藏层神经元的插入或删除，确定危险预警模型的隐藏层神经元的数量，完成模型的训练，动态地调整隐藏层神经元的权重，从而提高模型的性能和效果，并增强训练的效率和收敛性；针对现有的参数搜索算法存在初始化位置不均匀，收敛速度慢，容易陷入局部最优，不能找到全局最优解，导致模型性能下降的问题，本方案使用Circle混沌映射初始化个体位置，有利于个体位置的多样性，基于随机数δ

本发明采取的技术方案如下：本发明提供的一种用于冰雪体育运动的预警系统，包括数据采集模块、数据预处理模块、构建危险预警模型模块、危险预警模型参数搜索模块和实时危险预警模块；

所述数据采集模块采集冰雪体育运动的相关数据和对应分类标签，并将数据发送到数据预处理模块；

所述数据预处理模块对采集的数据进行向量转换、数据清洗和归一化处理，并将数据发送至构建危险预警模型模块；

所述构建危险预警模型模块引入间接灵敏度和直接灵敏度得到隐藏层神经元的总灵敏度，基于损失函数和总灵敏度确定隐藏层神经元的插入或删除，确定危险预警模型的隐藏层神经元的数量，完成模型的训练，并将数据发送至危险预警模型参数搜索模块；

所述危险预警模型参数搜索模块使用Circle混沌映射初始化个体位置，基于随机数

所述实时危险预警模块将实时采集的数据输入危险预警模型中进行分类，基于危险预警模型输出的分类标签进行实时预警。

本发明提供的一种用于冰雪体育运动的预警方法，该方法包括以下步骤：

步骤S1：数据采集；

步骤S2：数据预处理；

步骤S3：构建危险预警模型，引入间接灵敏度和直接灵敏度得到隐藏层神经元的总灵敏度，基于损失函数和总灵敏度确定隐藏层神经元的插入或删除，确定危险预警模型的隐藏层神经元的数量，完成模型的训练；

步骤S4：危险预警模型参数搜索，使用Circle混沌映射初始化个体位置，基于随机数

步骤S5：实时危险预警。

进一步地，在步骤S1中，所述数据采集是采集冰雪体育运动的相关数据和对应分类标签，对应分类标签包括正常和危险类型，将采集的数据作为样本数据。

进一步地，在步骤S2中，所述数据预处理是对采集的数据进行向量转换、数据清洗和归一化处理，数据清洗是处理数据中的缺失值、异常值和噪声。

进一步地，在步骤S3中，所述构建危险预警模型具体包括以下步骤：

步骤S31：设计架构，危险预警模型包括输入层、输出层和隐藏层，输入层接收输入数据，输出层进行最终的分类输出，隐藏层进行特征提取和信息传递，隐藏层由神经元组成，神经元包括记忆单元、输入门、遗忘门和输出门；

步骤S32：初始化网络，随机初始化隐藏层神经元的数量和网络参数，预先设定最大训练次数G和损失阈值ζ（n），n是训练次数索引；

步骤S33：计算损失函数，所用公式如下：

；

式中，E（n）是损失函数，N

步骤S34：计算隐藏层神经元的间接灵敏度，步骤如下：

步骤S341：计算神经元的间接输出，所用公式如下：

；

式中，

步骤S342：计算输出层的间接输出，所用公式如下：

；

式中，

步骤S343：计算间接灵敏度，所用公式如下：

；

式中，

步骤S35：计算隐藏层神经元的直接灵敏度，步骤如下：

步骤S351：计算神经元的直接输出，所用公式如下：

；

式中，

步骤S352：计算输出层的直接输出，所用公式如下：

；

式中，

步骤S353：计算直接灵敏度，所用公式如下：

；

式中，

步骤S36：计算总灵敏度，所用公式如下：

；

式中，

步骤S37：模型训练，步骤如下：

步骤S371：插入新的隐藏层神经元，若E（n）>ζ（n），则插入新的隐藏层神经元，并初始化新的隐藏层神经元的权重，初始化新的隐藏层神经元的权重所用公式如下：

；

；

；

；

；

；

式中，

步骤S372：删除隐藏层神经元，若

步骤S38：模型确定，更新损失函数E（n），当损失函数E（n）≤损失阈值ζ（n）时，则确定危险预警模型的隐藏层神经元的数量；否则，若达到最大训练次数G，则重新初始化网络；否则，重新进行模型训练。

进一步地，在步骤S4中，所述危险预警模型参数搜索具体包括以下步骤：

步骤S41：初始化个体位置，用模型参数代表个体的位置，随机生成初始值Q

；

式中，Q

步骤S42：计算适应度值，将基于模型参数建立的模型性能作为个体的适应度值；

步骤S43：位置更新，为每个个体生成一个随机数

；

；

式中，

步骤S44：位置变换，步骤如下：

步骤S441：生成对立位置，所用公式如下：

；

式中，

步骤S442：位置选择，所用公式如下：

；

式中，

步骤S443：计算全局最优位置，更新个体的适应度值，选择具有最高适应度值的个体位置作为全局最优位置Q

步骤S444：位置优化，为每个个体的每个维度生成一个随机数

；

；

式中，

步骤S45：参数确定，预先设定适应度值评估阈值α，更新个体的适应度值和全局最优位置，当全局最优位置对应的适应度值高于适应度值评估阈值α时，则基于模型参数构建危险预警模型；否则，若达到最大迭代次数T，则重新初始化个体位置；否则，重新进行位置更新。

进一步地，在步骤S5中，所述实时危险预警是实时采集运动员在进行冰雪体育运动时的数据，在进行数据预处理后，输入危险预警模型中进行分类，基于危险预警模型输出的分类标签对运动员在进行冰雪体育运动时遇到的危险进行实时预警。

采用上述方案本发明取得的有益效果如下：

（1）针对现有的预警系统存在隐藏层神经元的最佳数量难以确定，隐藏层神经元权重分配不均匀，导致模型训练效率低和过拟合的问题，本方案引入间接灵敏度和直接灵敏度得到隐藏层神经元的总灵敏度，基于损失函数和总灵敏度确定隐藏层神经元的插入或删除，确定危险预警模型的隐藏层神经元的数量，完成模型的训练，动态地调整隐藏层神经元的权重，从而提高模型的性能和效果，并增强训练的效率和收敛性。

（2）针对现有的参数搜索算法存在初始化位置不均匀，收敛速度慢，容易陷入局部最优，不能找到全局最优解，导致模型性能下降的问题，本方案使用Circle混沌映射初始化个体位置，有利于个体位置的多样性，基于随机数δ

附图说明

图1为本发明提供的一种用于冰雪体育运动的预警系统的示意图；

图2为本发明提供的一种用于冰雪体育运动的预警方法的流程示意图；

图3为步骤S3的流程示意图；

图4为步骤S4的流程示意图。

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

实施例一，参阅图1，本发明提供的一种用于冰雪体育运动的预警系统，包括数据采集模块、数据预处理模块、构建危险预警模型模块、危险预警模型参数搜索模块和实时危险预警模块；

所述数据采集模块采集冰雪体育运动的相关数据和对应分类标签，并将数据发送到数据预处理模块；

所述数据预处理模块对采集的数据进行向量转换、数据清洗和归一化处理，并将数据发送至构建危险预警模型模块；

所述构建危险预警模型模块引入间接灵敏度和直接灵敏度得到隐藏层神经元的总灵敏度，基于损失函数和总灵敏度确定隐藏层神经元的插入或删除，确定危险预警模型的隐藏层神经元的数量，完成模型的训练，并将数据发送至危险预警模型参数搜索模块；

所述危险预警模型参数搜索模块使用Circle混沌映射初始化个体位置，基于随机数

所述实时危险预警模块将实时采集的数据输入危险预警模型中进行分类，基于危险预警模型输出的分类标签进行实时预警。

实施例二，参阅图2，该实施例基于上述实施例，本发明提供的一种用于冰雪体育运动的预警方法，该方法包括以下步骤：

步骤S1：数据采集；

步骤S2：数据预处理；

步骤S3：构建危险预警模型，引入间接灵敏度和直接灵敏度得到隐藏层神经元的总灵敏度，基于损失函数和总灵敏度确定隐藏层神经元的插入或删除，确定危险预警模型的隐藏层神经元的数量，完成模型的训练；

步骤S4：危险预警模型参数搜索，使用Circle混沌映射初始化个体位置，基于随机数

步骤S5：实时危险预警。

实施例三，参阅图2，该实施例基于上述实施例，在步骤S1中，数据采集是采集冰雪体育运动的相关数据和对应分类标签，对应分类标签包括正常和危险类型，将采集的数据作为样本数据。

实施例四，参阅图2，该实施例基于上述实施例，在步骤S2中，数据预处理是对采集的数据进行向量转换、数据清洗和归一化处理，数据清洗是处理数据中的缺失值、异常值和噪声。

实施例五，参阅图2和图3，该实施例基于上述实施例，在步骤S3中，构建危险预警模型具体包括以下步骤：

步骤S31：设计架构，危险预警模型包括输入层、输出层和隐藏层，输入层接收输入数据，输出层进行最终的分类输出，隐藏层进行特征提取和信息传递，隐藏层由神经元组成，神经元包括记忆单元、输入门、遗忘门和输出门；

步骤S32：初始化网络，随机初始化隐藏层神经元的数量和网络参数，预先设定最大训练次数G和损失阈值ζ（n）=n

步骤S33：计算损失函数，所用公式如下：

；

式中，E（n）是损失函数，N

步骤S34：计算隐藏层神经元的间接灵敏度，步骤如下：

步骤S341：计算神经元的间接输出，所用公式如下：

；

式中，

步骤S342：计算输出层的间接输出，所用公式如下：

；

式中，

步骤S343：计算间接灵敏度，所用公式如下：

；

式中，

步骤S35：计算隐藏层神经元的直接灵敏度，步骤如下：

步骤S351：计算神经元的直接输出，所用公式如下：

；

式中，

步骤S352：计算输出层的直接输出，所用公式如下：

；

式中，

步骤S353：计算直接灵敏度，所用公式如下：

；

式中，

步骤S36：计算总灵敏度，所用公式如下：

；

式中，

步骤S37：模型训练，步骤如下：

步骤S371：插入新的隐藏层神经元，若E（n）>ζ（n），则插入新的隐藏层神经元，并初始化新的隐藏层神经元的权重，初始化新的隐藏层神经元的权重所用公式如下：

；

；

；

；

；

；

式中，

步骤S372：删除隐藏层神经元，若

步骤S38：模型确定，更新损失函数E（n），当损失函数E（n）≤损失阈值ζ（n）时，则确定危险预警模型的隐藏层神经元的数量；否则，若达到最大训练次数G，则重新初始化网络；否则，重新进行模型训练。

通过执行上述操作，针对现有的预警系统存在隐藏层神经元的最佳数量难以确定，隐藏层神经元权重分配不均匀，导致模型训练效率低和过拟合的问题，本方案引入间接灵敏度和直接灵敏度得到隐藏层神经元的总灵敏度，基于损失函数和总灵敏度确定隐藏层神经元的插入或删除，确定危险预警模型的隐藏层神经元的数量，完成模型的训练，动态地调整隐藏层神经元的权重，从而提高模型的性能和效果，并增强训练的效率和收敛性。

实施例六，参阅图2和图4，该实施例基于上述实施例，在步骤S4中，危险预警模型参数搜索具体包括以下步骤：

步骤S41：初始化个体位置，用模型参数代表个体的位置，在[0，1]范围内随机生成初始值Q

；

式中，Q

步骤S42：计算适应度值，将基于模型参数建立的模型性能作为个体的适应度值；

步骤S43：位置更新，为每个个体生成一个[0，1]范围内的随机数

；

；

式中，

步骤S44：位置变换，步骤如下：

步骤S441：生成对立位置，所用公式如下：

；

式中，

步骤S442：位置选择，所用公式如下：

；

式中，

步骤S443：计算全局最优位置，更新个体的适应度值，选择具有最高适应度值的个体位置作为全局最优位置Q

步骤S444：位置优化，为每个个体的每个维度生成一个

；

；

式中，

步骤S45：参数确定，预先设定适应度值评估阈值α，更新个体的适应度值和全局最优位置，当全局最优位置对应的适应度值高于适应度值评估阈值α时，则基于模型参数构建危险预警模型；否则，若达到最大迭代次数T，则重新初始化个体位置；否则，重新进行位置更新。

通过执行上述操作，针对现有的参数搜索算法存在初始化位置不均匀，收敛速度慢，容易陷入局部最优，不能找到全局最优解，导致模型性能下降的问题，本方案使用Circle混沌映射初始化个体位置，有利于个体位置的多样性，基于随机数δ

实施例七，参阅图2，该实施例基于上述实施例，在步骤S5中，实时危险预警是实时采集运动员在进行冰雪体育运动时的数据，在进行数据预处理后，输入危险预警模型中进行分类，基于危险预警模型输出的分类标签对运动员在进行冰雪体育运动时遇到的危险进行实时预警。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

以上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。