Модель и средство предварительной оценки прогнозного времени прохождения тренирующимся беговой дистанции с учетом параметров тренировки с применением нейронных сетей прямого распространения

Актуальность работы заключается в необходимости понимания начинающим спортсменом в беговых дисциплинах основного результата тренировок – времени прохождения дистанции. Это можно достигнуть путем улучшения качества модели прогнозировании времени прохождения тренирующимся дистанции 3 км с учетом параметров тренировки с применением нейронных сетей путем повышения точности оценки за счет учета основных факторов.

Цель работы – создание модели и средства предварительной оценки прогнозного времени прохождения тренирующимся беговой дистанции 3 км с учетом параметров тренировки с применением нейронных сетей прямого распространения.

Для достижения поставленной цели необходимо решить ряд задач:

– определить входные данные для прогнозирования времени прохождения бегом тренирующимся дистанции 3 км с учетом основных параметров тренировки с применением нейронных сетей;

– описать принцип работы нейронной многослойной сети прямого распространения;

– создать типовую нейросетевую модель и методику процесса прогнозирования времени прохождения бегом тренирующимся дистанции 3 км с учетом параметров тренировки с применением нейронных сетей при условии меняющихся входных данных о внешних воздействующих факторах;

– провести вычислительный эксперимент предварительной оценки с применением нейронной сети на основе предлагаемой модели

Критерием точности выступает минимизация ошибки между прогнозируемым и идеальным результатом.

Модели и методики

Модель прогнозирования времени прохождения бегом тренирующимся дистанции 3 км с учетом параметров тренировки с применением нейронных сетей.

Модель предназначена для прогнозирования времени прохождения бегом тренирующимся дистанции 3 км с учетом пара- метров тренировки с применением нейронных сетей.

Определимся с существующими основными параметрами тренировки по бегу. На основании [1, 2] основными параметрами тренировки по бегу, которые необходимо учитывать при построении тренировок это параметры, представленные в табл. 1:

Детерминированная модель

Для количественной оценки рассмотрим статическую модель, построенную на оценке критериев. Используя предложенную математическую мультипликативную модель, на основе шестнадцати численных показателей производится расчёт сводного параметра Q. Для наглядности преобразуем модель табличную форму. В таблице 1 приведен пример параметров для оценки времени прохождения бегом тренирующимся дистанции 3 км по критерию Q с применением предлагаемой модели.

Таблица 1. Параметры тренировки, влаченные в обучающую выборку

№	Параметры тренировки	Обучающая выборка X (j = 1… 9)
		1	2	3	4	5	6	7	8	9
1.	Пульс в покое
2.	Общее время тренировки
3.	Общий километраж
4.	Интенсивность
5.	Темп бега (мин/км);
6.	Время, проведенное в каждой зоне интенсивности
7.	Средняя и максимальная ЧСС тренировки (в абсолютном значении и/или в процентах)
8.	Скорость (км/ч)
9.	Артериальное давление до пробежки
10	Артериальное давление после пробежки
11	Длительность и качество сна перед тренировкой
12	Наличие стрессовых нагрузок
13	Наличие травм
14	Погода (жара, сильный ветер, мороз, дождь или снег
15	Смена экипировки (новая обувь или одежда)
16	Наличие отягощения (рюкзак, вода)

Модель прогнозирования времени прохождения дистанции с использованием многослойных нейронных сетей

Рассмотрим многослойную нейронную сеть (НС) прямого распространения. Используя полученное описание исследуемых процессов, представим данные таблицы 1 в виде совокупности нейронов. Расположим нейроны в виде слоев. Каждому нейрону входного потерна будет соответствовать параметр тренировки.

Выходному нейрону для задачи прогнозирования соответствует показатель «Прогнозное время прохождения тренирующимся беговой дистанции 3 км». Визуализацию НС проведем в программе Нейросимулятор 5.0. на основании модели НС прямого распространения описанных в [36].

В работе обосновано правило, какое количество нейронов скрытого слоя достаточно для 100%-правильной классификации обучающей выборки в каждой задаче, если размер сети стартует с минимального размера или чуть завышенного. В соответствии с этим на рис 1 представлена архитектура графа НС «Многослойная сеть прямого распространения» для решения задач исследования.

Соответственно, вариант топологии разработанной нейронной сети представлен ниже на рисунке 1, а ее параметры приведены в таблице 2.

Рис. 1. Пример топологии нейронной сети, прогнозирующая времени прохождения дистанции 3 км спортсменом с использованием многослойных нейронных сетей

Входные нейроны

Х1 – Пульс в покое

Х2 – Общее время тренировки;

Х3 – Общий километраж

Х4 – Интенсивность

Х5– Темп бега (мин/км)

Х6 – Время, проведенное в каждой зоне интенсивности

Х7 – Средняя и максимальная ЧСС тренировки (в абсолютном значении и/или в процентах)

Х8 – Скорость (км/ч);

Х9 – Артериальное давление до пробежки

Х10 – Артериальное давление после пробежки

Х11 – Длительность и качество сна перед тренировкой

Х12 – Наличие стрессовых нагрузок

Х13 – Наличие травм

Х14 – Погода (жара, сильный ветер, мороз, дождь или снег

Х15 – Смена экипировки (новая обувь или одежда)

Х16 – Наличие отягощения (рюкзак, вода)

Выходной нейрон 1

Y1 – показатель «Прогнозное время прохождения тренирующимся беговой дистанции 3 км» (мин)

Таблица 2. Параметры многослойной нейронной сети прямого распространения
Параметры нейронной сети	Значение	Примечание
Число входов сети	16	Входы: Х1…Х16
Число выходов сети	1	Выход: Y1 . Функция активации нейрона: «сигмоидная функция».
Число скрытых слоев	2	Функции активации нейронов: «сигмоидная функция».
Число  нейронов  в скрытом слое	20	–

Обучение НС.

Из показанного примера обучения НС (рис. 2) видно, что ошибка обучения сети Е 1 снизилась практически до нуля после

8000 итераций, а ошибка обобщения на тестирующей выборке Е T снизилась до 0,11%.

Рис. 2. Финальная ошибка обучения сети при 8000 итерациях

Во всех случаях удается обеспечить ошибку обобщения (ошибку решения новых, не использованных при обучении нейросетей данных, взятых из независимой тестовой выборки или путем разделения исходной выборки НС на обучающую и тестовую части) менее чем в 10% неправильных ответов, т.е. правильно решать в > 90% случаев, характеризующих новые ситуации, что является хорошим результатом, согласно [5].

Заключение

В ходе выполнения исследования получены следующие результаты:

– предложена обобщенная универсальная нейросетевая модель процесса прогно- ции с использованием многослойных нейронных сетей. Задача выбора рассмотрена при условии меняющихся входных данных о внешних воздействующих факторах;

– применена и обучена многослойная НС прямого распространения, которая обеспечивает заданную точность предварительной оценки ущерба для принятия решения. Удается обеспечить минимальную ошибку обобщения при решения новых, не использованных при обучении нейросетей данных, взятых из независимой тестовой выборки или путем разделения исходной выборки на обучающую и тестовую части на заданном уровне.

зирования времени прохождения дистан-