(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111517387.4 (22)申请日 2021.12.13 (71)申请人 南京机电职业 技术学院 地址 211306 江苏省南京市高淳区鹿鸣大 道33号 (72)发明人 薛敏　 (74)专利代理 机构 南京众联专利代理有限公司 32206 代理人 吕书桁 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于改进长短期记忆神经网络的网球 运动员成绩预测方法 (57)摘要 本发明涉及一种基于改进长短期记忆神经 网络的网球运动员成绩预测方法。 该方法包括以 下步骤： 步骤1， 采集网球运动员相关特征指标； 步骤2， 将步骤1所采集具有 不同量纲和量纲单位 的数据进行归一化处理； 步骤3， 设计改进的长短 期记忆神经网络网球运动员成绩预测模型； 步骤 4： 训练改进的长短期记忆神经网络网球运动员 成绩预测模型； 步骤5： 根据历史信息数据在预测 阶段动态调整权重系数； 步骤6， 把设计完成的基 于改进长短期记忆神经网络网球运动员成绩预 测模型进行实际应用。 本发明在长短期神经网络 输出门的基础上， 通过样本特征权重， 将输入门 连接至输 出门， 可令网络模型学到长时期的历史 信息， 增强网络的预测精度和鲁棒性， 实现网球 运动员的成绩预测。 权利要求书2页 说明书6页 附图2页 CN 114169622 A 2022.03.11 CN 114169622 A 1.基于改进长短期记忆神经网络的网球运动员成绩预测方法， 具体步骤如下， 其特征 在于： 步骤1， 采集网球运动员相关特征指标： 根据运动员的年龄、 身高、 体重、 性别分别测试 运动员的力量、 柔韧性、 灵敏性、 耐力、 速度特 征指标， 建立待测样本集； 步骤2， 将步骤1所采集具有不同量纲和量纲单位的数据进行归一化处理， 把数据归一 化至0到1范围内， 消除指标之间的量纲影响； 步骤3， 设计改进的长短期记忆神经网络网球运动员成绩预测模型： 通过贝塔分布函数 计算运动员样本特征 的权重， 将输入门的输入经加权计算后叠加至输出门的输出， 并将叠 加后的输出作为成绩预测模型的输出； 步骤4： 训练改进的长短期记忆神经网络网球运动员成绩预测模型： 步骤2获得的训练 样本用于训练步骤3 设计的长 短期记忆神经网络网球运动员成绩预测模 型， 通过SGD算法对 模型参数进行 更新， 获得训练后的长短期记 忆神经网络网球运动员成绩预测模型； 步骤5： 根据历史信 息数据在预测阶段动态调整权重系数， 更新模型状态监测参数和系 统加权参数， 实现网球运动员的成绩预测； 步骤6： 把设计完成的改进长短期记忆神经网络网球运动员成绩预测模型嵌入网球运 动员数据库的信息处 理模块中， 完成对网球运动员成绩的预测。 2.根据权利要求1所述的基于改进长短期记忆神经网络的网球运动员成绩预测方法， 其特征在于： 步骤1中建立待测样本集的过程可以表示如下： 步骤1.1： 采集网球运动员最佳负荷力量特 征指标： 运动员双手分别从体前、 身体左侧和右侧向前抛实心球， 并记录最佳负荷力量特征指 标测试成绩； 步骤1.2： 采集网球运动员最佳柔韧性特 征指标： 运动员两腿伸直， 两臂伸直前， 做坐 位体前屈 测试， 并记录柔韧性特 征指标测试成绩； 步骤1.3： 采集网球运动员最佳灵敏度特 征指标： 运动员在一分钟之内做跳绳运动， 记录一分钟做跳绳的个数作为灵敏度 特征指标测试 成绩； 步骤1.4： 采集网球运动员最佳耐力特 征指标： 测试运动员的耐力跑成绩， 记录完成时间， 并将耐力跑的时间作为耐力特征指标的测 试成绩； 步骤1.5： 采集网球运动员最佳速度特 征指标： 运动员沿着逆时针方向依次碰倒球桶， 记录完成时间， 并将时间作为速度特征指标的 测试成绩； 步骤1.6： 将年龄、 身高、 体重、 性别、 以往成绩和所测试的力量特征指标、 柔韧性特征指 标、 灵敏度特征指标、 耐力特征指标、 速度特征指标作为样本特征， 将测试特征指标当天的 运动员成绩作为样本标签， 建立数据样本集。 3.根据权利要求1所述的基于改进长短期记忆神经网络的网球运动员成绩预测方法， 其特征在于： 步骤2中数据归一 化处理的过程可以表示如下： 样本特征的归一 化转换函数如下：权　利　要　求　书 1/2 页 2 CN 114169622 A 2式中， x’t是步骤1在t时刻所采 集的样本 特征， x’min是所采集样本特征的最小 值， x’min是 所采集样本特 征的最大值。 4.根据权利要求1所述的基于改进长短期记忆神经网络的网球运动员成绩预测方法， 其特征在于： 步骤3中设计改进长短期记忆神经网络网球运动员成绩预测模型 的过程可以 表示如下： 步骤3.1： 初始化样本特 征的加权参数θ0； 步骤3.2： 计算样本特征加权参数的加权平均值和协方差， 并计算加权贝塔分布的均 值: 式中， mk是第k次计算后的贝塔分布均值， θk是第k次计算后的加权参数， 是第k次计算 后加权参数的均值， l是常数； 步骤3.3： 根据运动成绩和加权参数的平均值、 协方差、 贝塔分布均值求取贝塔分布参 数， 并构建贝塔分布函数， 在贝塔分布函数的基础上进 行采样抽取对加权参数进 行更新， 获 得t时刻的加权参数θt； 步骤3.4： 构建模型输入门， 以过 滤无效信息并向记 忆单元添加有效信息： it＝σ(Wxixt+Whiht‑1+Wcict‑1+bi)  (3) 式中， xt为步骤2归一化后样本特征数据， it为输入门样本， σ()为激活函数， Whi为输入 门样本与ht‑1之间的权重系数， Wxi为输入门样 本与xt之间的权重系数， ht‑1为t‑1时的隐藏状 态， ct‑1为t‑1时的细胞状态， Wci为输入门样本与ct‑1之间的权 重系数， bi为输入门的偏置项； 步骤3.5： 构建模型遗 忘门， 以删除记 忆单元中部分的无效信息： ft＝σ(Wxfxt+Whfht‑1+Wcfct‑1+bf)  (4) 式中， ft为遗忘门样本， Wcf为遗忘门样本与ct‑1之间的权重系数， Whf为遗忘门样本与ht‑1 之间的权 重系数， Wxf为遗忘门样本与xt之间的权 重系数； 步骤3.6： 构建模型细胞状态： ct＝ftct‑1+ittanh(Wxcxt+Whcht‑1+bc)  (5) 式中， Wxc为细胞状态与xt之间的权重系数， Whc为细胞状态与ht‑1之间的权重系数， bc为 细胞状态的偏置项； 步骤3.7： 构建模型输出门， 输出网球运动员成绩： ot＝σ(Wxoxt+Whoht‑1+Wcoct+bo)+θtxt  (6) 式中， Ot为输出门样本， Wxo为输出门样本与xt之间的权重系数， Who为输出门样本与ht‑1 之间的权 重系数， Wco为输出门样本与ct之间的权 重系数， bo为输出门的偏置项 步骤3.8： 对输出门当前的状态进行 更新， 激活函数选用tanh函数； ht＝ottanh(ct)  (7)权　利　要　求　书 2/2 页 3 CN 114169622 A 3