Применение нейронных сетей для прогнозирования и моделирования тренировочного процесса в легкой атлетике

Автор: Бобкова Елена Николаевна, Парфианович Евдоким Владимирович

Журнал: Человек. Спорт. Медицина @hsm-susu

Рубрика: Спортивная тренировка

Статья в выпуске: S т.18, 2018 года.

Бесплатный доступ

Цель - применение аппарата нейронных сетей позволит спрогнозировать наиболее оптимальные разновидности и объемы тренировочных воздействий для бегунов на 400 м на этапе спортивного совершенствования. Материал и методы. В исследовании принимали участие юноши 18-21 года, специализирующиеся в беге на 400 м, в количестве: 8 человек - I спортивный разряд, 3 человека - кандидаты в мастера спорта. При проведении исследования использовался программный продукт «Нейронная сеть v2.4.2» разработчика Jwsoft.Net. В качестве исходной информации были выбраны восемь показателей каждого спортсмена (n = 10) по месяцам подготовки в годичном цикле 2014/2015 гг., 2015/2016 гг. и 2016/2017 гг. Обучение сети проводилось с использованием алгоритма обратного распространения ошибки. Результаты. Для моделирования физической подготовленности бегунов на 400 м в сезоне 2016/2017 гг. в обученную нейронную сеть были внесены показатели ежемесячных объемов основных средств тренировки, что позволило спрогнозировать соревновательный результат бега на 400 м легкоатлетов I разряда и КМС. Надежность прогноза спортивного результата в годичном цикле подготовки у бегунов на 400 м на этапе спортивного совершенствования составляет 98-99 %. Применение предложенной методики моделирования тренировочного процесса на основе применения нейронной сети позволяет оперативно и своевременно оценить динамику физической подготовленности, что способствует обеспечению надежности и качества прогнозирования спортивного результата на основе запланированных тренирующих воздействий. Заключение. Применение аппарата нейронных сетей позволит определить наиболее оптимальные разновидности и объемы тренировочных воздействий, у тренера появляется инструмент, позволяющий оказать поддержку в принятии эффективных решений по коррекции тренировочного процесса.

Еще

Нейронные сети, тренировочный процесс, физическая подготовленность

Короткий адрес: https://sciup.org/147231817

IDR: 147231817   |   DOI: 10.14529/hsm18s16

Список литературы Применение нейронных сетей для прогнозирования и моделирования тренировочного процесса в легкой атлетике

  • Бондарчук, А.П. Управление тренировочным процессом спортсменов высокого класса: моногр. / А.П. Бондарчук. - М.: Олимпия Пресс, 2007. - 272 с.
  • Кривецкий, И.Ю. Создание индивидуальной модели техники прыжка в высоту на основе каскадной нейро-нечеткой сети с целью оптимизации тренировочного процесса / И.Ю. Кривецкий, Г.И. Попов, Н.С. Безруков // Рос. журнал биомеханики. - 2011. - Т. 15, № 3 (53). - С. 71-78.
  • Методические рекомендации по совершенствованию многолетней подготовки спортивного резерва в легкой атлетике / под ред. В.Б. Зеличенока и [др.]. - М.: Центр развития легкой атлетики ИААФ, 2017. - 543 с. - http://la.sportedu.ru/content/metodicheskie-rekomendatsii-poovershenstvovaniyu-mnogoletnei-podgotovki-sportivnogo-reze-0-25.03.2018.
  • Нейронная сеть v2.4.2. - http://kazus. ru/programs/viewdownloaddetails/kz_0/lid_ 13563.html.
  • Парфианович, Е.В. Педагогический опыт применения статистических методов и моделирования в области физического воспитания / Е.В. Парфианович, Е.Н. Бобкова // Актуальные проблемы теории и практики физической культуры, спорта и туризма: материалы V Всерос. науч.-практ. конф. молодых ученых, аспирантов, магистрантов и студентов. - Казань: Поволжская ГАФКСиТ, 2017. - Т. 3. - С. 673-676.
  • Семенова, А.А. Применение нейронных сетей для прогнозирования результатов в спорте. - http://uran.donntu.org/-masters/2006/ kita/kornev/library/l15.htm- 15.05.2018.
  • Field, A. Discovering Statistics using SPSS / A. Field. - Washington DC: Sage Publications, 2009. - P. 585-626.
  • Lee, G. Adaptive Dimensionality Reduction with Semi-Supervision (AdReSS): Classifying Multi-Attribute Biomedical Data / G. Lee, D.E.R. Bucheli, A. Madabhushi // PLoS ONE. - 2014. - Vol. 11. - P. 14-16.
  • Hornik K., Stinchcombe М., White H. Multilayer feed forward networks are universal approximators // Artificial Neural Networks [Approximation and Learning Theory]. - Blackwell, Oxford, UK, 2012. - P. 12-28.
  • Leung, K.-S. Data Mining on DNA Sequences of Hepatitis B Virus / K.-S. Leung, K.H. Lee, J.-F. Wang et al. // Transactions on Computing Biology and Bioinformatics. - 2011. - Vol. 8, no. 2. - P. 428-440. -
  • DOI: 10.1109/TCBB.2009.6
  • Leech, N.L. IBM SPSS for Intermediate Statistics / N.L. Leech, K.C. Barett, G.A. Morgan. - 5th ed. - New York and London: [Routledge, Taylor & Francis Group], 2015. - P. 109-143.
Еще
Статья научная