体质综合评价之人工神经网络建模的研究

《体质综合评价之人工神经网络建模的研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、摘要本研究选择身高体重、肺活量、台阶试验、体前屈、握力、纵跳高度、往返跑、俯卧撑、背肌力、单脚站立、简单反应时、综合反应时等12项指标作为人工神经网络(ArtificialNeuralNetwork,ANN)的输入，体质评价等级的优、良、中、合格和差五个等级作为神经网络的输出。采用“试错法”确定隐层节点数，首先给定较小初始隐节点数，构成一个结构较小的BP(Backn叩唱a6加)网络进行训练。如果训练次数很多或者在规定的训练次数内没有满足收敛条件，停止训练，逐渐增加隐节点数形成新的网络重新训练。最终建立输入

2、层，隐含层和输出层节点数分别为12、9，5的三层BP神经网络模型。应用学习样本训练网络，网络学习次数为3000次，允许误差0．01。网络训练完成后，通过对检验样本和误差样本的验证，网络运行结果良好．应用人工神经网络技术建立了体质综合评价的BP网络模型，检验结果表明，该模型能进行体质综合评价分类。依据体质研究专家经验评分建立的体质综合评价BP神经网络模型，可对有一定误差的体质测试样本进行分类。关键词：体质综合评价人工神经网络建模AbstractThisresearchchoiceheightbodyweig

3、ht，thevitalcapacity，thestairexperiment,thebodycurvingtofront，graspthestrengthvertical，jumpshighly，theround·triprims，thepush—up,thebackmyO-strength，thesinglefootstands，whentheshnpleresponse，thesynthesisresponseandSOOn12targetstookthenegvenetworktheinput’th

4、ephysiqueappraisalranksuperior，good，(：cuter,isqualifiedandthebadfiverankstakestheilervenetworktheoutput．Thedeterminationhidesthelevelfestivalpointsusing’’thetrialanderrormethod。，first锄蛐slighflyinitialhidesthefestivalpoints,constitutesastructuresmallerBPne

5、tworktocarryonthetraining．Ifthetrainingnumberoftimesareverymanyorinthestipulationtrainingnumberoftimesthedissatisfiedconditionofconvergence．stopstrming’graduallyincreaseshidesthefestivalpointstoformthen州networkre-train．Finallyestablishestheinputlevel，thec

6、oncealmentlevelandtheoutputlevelfestivalpointsrespectivelyis12,9，5threeBPneuralnetworkmodel．Usingthestudysampletniniagnetwork,thenetworkstudy删山nbefOftimesis3,000．theallowanceerror0．01．Afterthenetworktrainingcompletes．throughto嘲Hninesthesampletheconfirmati

7、on，thenetworkmovementresultisgood．StudiestheexpertbasedOilthephysiquetoexperiencegradestheestablishmeutthephysiquesynthesisappraisalmodel,inthecertaindegreehasovercometheexistingphysiquesynthesisapprsisaImethodsubjectivityandatwill，mayattenuateintheweight

8、determinationthehumanfactor，hasscientificallyprovidedonekindforthephysiquesynthesisappraisalscientifically，theobjectivemethod．Keywords：physiquesynthesisappraisalartificialneuralnetworkmodellingⅡ湖北大学学位论文原创性声明和使用授权说明原