灰色ART聚类分析方法在竞技体育生化指标监控中的应用.doc

灰色ART聚类分析方法在竞技体育生化指标监控中的应用 茅洁1 梅焰2 1、武汉体育学院体育信息技术系 湖北 武汉，430079 ；2、武汉体育学院医院 湖北 武汉，430079 摘要：生化指标数据对竞技体育运动水平具有监控作用，将灰色ART聚类分析方法的数据挖掘理论与其结合，可对运动训练的进行科学决策和运动成绩的科学分析预测。本篇主要论述灰色ART聚类分析方法在运动生化指标的应用研究。 关键字：ART 灰色ART聚类 竞技体育 生化指标 一、ART的概念 自适应共振理论ART(Adaptive Resonance Theory)模型是美国Boston大学的S．Grossberg和G．A．Carpenter在1976年提出的。它是一种采用无监督学习的竞争型神经网络模型，其记忆方式与生物记忆形式类似，记忆容量可随学习模式的增加而增加，不仅可进行实时的在线学习，还可随环境的改变而进行动态的学习，具有良好的自适应性能。此外由于匹配警戒门限的引入，使ART模型避免了一般模型所遇到的“稳定性－弹性”的两难困境。所谓稳定性是指一个模型能保持对不相关输入模式的稳定记忆的能力；而弹性是指一个模型能持续学习新的模式的能力。己有的模式识别模型一般较难同时保持好的稳定性和弹性，即当一个模型完成学习后，模型的参数己经固定而不能再修改，当学习新的模式时，必须重新修正参数或权值才能尽可能完全地记忆并回忆该新的模式和己经学习过的模式，最大限度地避免已经学习过的模式的遗忘。 ART神经网络的特点： 1）网络能适用于非平稳的、非线性系统； 2）网络能实现实时在线学习，具有自组织、自适应学习功能； 3）网络不需要事先知道样本结果，可非监督学习； 4）对己经经过学习的对象具有稳定的快速识别能力，同时对于新的对象能够迅速建立新的输出模式，而已新增模式不受网络输出神经元的限制； 5）具有自归一能力。 二、灰色ART聚类 1、灰色ART聚类算法如下： （1）初始化 L1－L2的权向量赋予较小且相同的初值，L2－L1的权向量赋予初值1。警戒门限值； （2）网络输入模式； （3）根据“2/3规则”，可知比较层(C)输出C＝X。由L1－L2的权向量进行加权，得输出为：，代表竞争神经元； （4）由“胜者全得”的，识别层竞争开始运行，若有则识别层的神经元获得竞争胜利； （5）信息反置，由识别层的获胜神经元送回L2－L1的权向量，此时G1=0，由“2/3规则”可得到比较层新输出向量C的各个元素满足：； （6）警戒门限测试 设向量X中不为0的个数用表示，可有 若成立，则接受为获胜神经元，进行到（7）。为2范数，是欧式距离。否则发重置信号，置为0（不允许其再参加竞争），开始搜索阶段，转（8）； （7）修改识别层神经元L1－L2及L2－L1的权向量，使其以后对与X相似的输入更容易获胜，且具有更好的相似性。 其中为大于1 的常数。 （8）恢复由重置信号抑制的识别层神经元，转到2）以迎接下一次输入聚类中心。 灰色ART聚类算法流程图，如图1所示 2、灰色聚类样本构建 在用ART模型进行生化指标数据分析时，输入样本X由已知样本区信息和未知样本区信息滑动动态构成，已知样本记为R0。R0为现役运动员生化指标数据与历史优秀运动员生化指标得到的关联度值。未知样本为整个研究区关联度值，这些关联度值与已知样本一起形成聚类空间，随着已知样本在研究区逐点线的滑动，便不断产生新的聚类空间。设未知样本为Ri，聚类样本空间为 就是滑动生成的灰色动态聚类空间。 图1 灰色ART算法流程图 三、 灰色ART聚类在生化指标数据中的应用 提取生化指标数据中18个运动员的4个生化指标项目（血色素（HB）、血肌酸激酶（CK）、血尿素氮（BUN）、睾酮（T）），其中包括8个优秀运动员的历史指标数据，运动员四项生化指标调整状态下数据表作为原始数据表，经过灰色关联度处理，得到灰色关联系数数据集，作为灰色ART聚类输入样本模式，见表1；取警戒门限值为0.3时，带入灰色ART聚类模型中（C语言实现）进行数据挖掘。 表1 灰色关联系数表 1 0.908014 0.916988 0.803523 0.600282 2 0.95839 0.891182 0.965775 0.827962 3 0.908014 0.791667 0.550945 0.773028 4 0.932522 0.991649 0.803523 0.508959 5 0.908014 0.834798 0.505542 0.706545 6 0.852032 0.985477 0.924636 0.719113 7 0.985734 0.816151 0.512892 0.58638