Экспертные системы широко внедрялись и изучались исследователями. Они имитируют способность человека-эксперта принимать решения и предназначены для решения сложных задач путем рассуждений. Области применения экспертных систем включают, помимо прочего, медицину, диагностику и контроль энергосистем, оценку качества журналов, оценку инвестиций в информационные системы, управление транспортом, промышленность и спорт.
Конкуренты и коучи ищут новые решения, которые могут поддержать их работу. Одним из аспектов такой поддержки может быть применение методов машинного обучения, которые могут быть использованы для подсчета результатов деятельности, выявления спортивных талантов или поддержки тренировочного процесса.
Например, в статье авторы используют искусственные нейронные сети для прогнозирования результатов соревнований по плаванию. Нейронные модели прошли перекрестную валидацию, и результаты показывают, что моделирование было очень точным. В статье описывается использование линейных и нелинейных многомерных моделей в качестве инструментов для прогнозирования результатов гонок на 400 м с барьерами. Все модели были построены по данным тренировок 21 спортсмена польской сборной. Наилучшие прогнозные результаты были получены методом регрессии ЛАССО. Гу и др. предложили экспертную систему прогнозирования исхода матча Национальной хоккейной лиги (НХЛ). Точность прогнозирования системы составила 77,5%.
Рочник и др. предложили использовать нейронные сети Кохонена в процессе набора на конкурсное плавание. Эксперименты проводились на группе из 140 юных участников соревнований по плаванию в возрасте около 10 лет. Другой подход к выявлению спортивных талантов был предложен Рогулем и др. В работе Масчик и др. определили полезность нейронных моделей для оптимизации процессов рекрутинга. Проведен статистический анализ результатов измерений метателей копья с полным взлетом. Для исследуемой группы перцептронная сеть со структурой 4-3-2-2-1 показала наилучшие прогнозные результаты.
В статье Рыгула и др. предложили использовать искусственную нейронную сеть (ИНС) для моделирования плавания на дистанции 200 м в индивидуальном плавании и на дистанции 400 м передним ползанием. АНН также использовались для анализа тактики командных видов спорта. Еще одно исследование было посвящено использованию АНН для классификации методов ударов.
Цель
Цель этого документа заключалась в том, чтобы выяснить, можно ли отличить два различных метода удара от профиля ударной силы удара. В статье представлено применение нейросетей для моделирования плавания. На основе ранее выбранных критериев, связанных с зависимой переменной, авторы создали высокореалистичные модели прогнозирования спортивных результатов плавания. Эксперименты были проведены на 138 пловцах (65 мужчин и 73 женщины) на национальном уровне.
Анализируя литературу, можно также заметить, что математические модели, часто используемые в спорте, представляют собой искусственные нейронные сети. Многочисленные исследования показали, что ANN является средством прогнозирования спортивных результатов, которое обладает хорошей прогностической способностью.
Таким образом, ANN позволяет тренеру моделировать будущий уровень достижений спортсменов и поддерживает процесс спортивного отбора. Например, Сильва и другие представили высокореалистичные модели прогнозирования производительности плавания, основанные на многослойном восприятии.
Для создания профиля молодого пловца были разработаны нелинейные комбинации между преобладающими переменными для каждого пола и показателями плавания на дистанциях 200 м комбинированного плавания и 400 м переднего ползания. Искусственные нейронные сети также широко используются в процессе планирования тренировочных нагрузок. Рыгула представляет новый подход к определению тренировочных нагрузок в группе 16-17-летних девушек, практикующих бег на 100 метров.
Спортивная подготовка - это вопрос принятия решений о качестве (виде упражнений) и количестве (объеме) тренировок. Это классический принцип спортивной подготовки, который подчеркивается во всех учебниках по теории спорта. Выбор тренировочных средств и их распределение на последующих этапах спортивной подготовки является основным элементом оптимизации тренировок барьера на обеих дистанциях, т.е. 110 и 400 м .
Выбор упражнений (тренировочных средств) в беге с препятствиями поддерживается исследованиями в области подготовки двигателя (сила, скорость, выносливость), а также в связи с технической структурой события (кинематический анализ). Наблюдение за тренировочными программами лучших спортсменов, подкрепленное анализом корреляции результатов забега с результатами тестов, включая физиологические и биохимические основы, позволяет отбирать группы наиболее ценных базовых упражнений. Спринтовые дистанции в беге с препятствиями считаются типичными бегущими усилиями анаэробного характера. В случае барьерной гонки на 110 м преобладают анаэробные изменения без молочной кислоты с конечным акцентом на анаэробные изменения молочной кислоты.
Пробег 400 м с препятствиями требует, прежде всего, анаэробных усилий, не-молочно-кислотного характера. Данные о специфике усилий на дистанции 400 м показывают, что соотношение аэробных и анаэробных усилий может существенно варьироваться, учитывая материал (уровень спортивных показателей бегунов), методику и период тренировок. В обзорном исследовании Арцели и другие эти параметры приняли значения в диапазоне 28-70% (аэробика) и 30-72% (анаэробия). Авторы предполагают, что чем выше уровень спортивных результатов, тем выше доля анаэробного элемента.
Определение типа бегуна за счет аэробных и анаэробных процессов, безусловно, позволит ввести некоторую дополнительную информацию для развития индивидуальной тренировки. Однако эта проблема имеет логистический недостаток, так как мониторинг физиологических реакций при преодолении препятствий ограничивается месяцами, в течение которых спортсмены принимают участие в соревнованиях. Зимние условия не способствуют проведению конкретных пробных испытаний, и выбор запасных расстояний может отрицательно сказаться на индивидуальных способностях барьера.
Спектр упражнений
Принимая во внимание обширный спектр упражнений барьера, основной проблемой тренера является выбор упражнений, их объем и пропорции в определенные периоды тренировки. Исследователи обращают внимание на эту специфику спорта. Помимо репрезентативной коллекции тренировочных средств, использовались также физические данные и возраст тела, часто соответствующие уровню спортивных достижений.
Воздействие этих элементов на организацию подготовки кадров уже неоднократно подчеркивалось. Представляется целесообразным определить начальное значение (рекорд данного года) и расчетную шкалу прогресса (планы на следующий сезон), поскольку это позволяет контролировать тренировочные нагрузки в зависимости от возраста спортсменов, их текущего уровня работоспособности и основной цели.
У каждого атлета своя предрасположенность, в том числе к выполнению конкретных тренировочных заданий. Выбор упражнений необходим, так как невозможно выполнить одинаковый объем всех упражнений одновременно. Такая процедура была бы также бессмысленна, поскольку "ритмический" тип барьера предпочитает бегать с барьерами, а "быстрый" тип - с более короткими интервалами.
Использованная база данных основана на 20-летнем периоде обучения польских спортсменов-барьеров, входящих в состав сборной Польши. Эти препятствия представляли собой различные типы (соматические, эффективные и технические), поэтому масштаб обобщения (аппроксимации) возможностей предлагаемой компьютерной системы является значительным и частично репрезентативным.
Подводя итоги обсуждения, следует отметить, что существуют серьезные ограничения представленного подхода, связанные с использованием полученных результатов на практике. Программы тренировок не учитывают индивидуальные физиологические и психологические параметры спортсмена. Однако сгенерированные тренировочные программы могут быть использованы в качестве рекомендации для тренера, который может внести необходимые коррективы, чтобы адаптировать их для конкретного спортсмена.
Выводы
В системе используются модели линейной регрессии (МНК, гребень, ЛАССО, упругая сетка) и нелинейной регрессии (РБФ, нечеткая модель, МНК с нечеткой коррекцией). Самые низкие погрешности были получены в предложенной модели F-OLS, но построить эту модель сложнее.
Приложение было реализовано на языке программирования R с использованием фреймворка Shiny. Преимущество этого приложения заключается в том, что оно может работать на нескольких платформах, таких как персональные компьютеры и мобильные устройства. Простой в использовании интерфейс позволяет изменять параметры атлета и нагрузки тренировки. Таким образом, тренер может предсказать ожидаемый результат и выбрать отдельные тренировочные компоненты для данного спортсмена.
Дальнейшая работа будет направлена на миграцию разработанной экспертной системы на мобильное приложение.
