ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ПРОГНОЗИРОВАНИЯ И МОДЕЛИРОВАНИЯ ТРЕНИРОВОЧНОГО ПРОЦЕССА В ЛЕГКОЙ АТЛЕТИКЕ
Ключевые слова:
Нейронные сети, тренировочный процесс, физическая подготовленность
Аннотация
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.Литература
1. Бондарчук, А.П. Управление тренировочным процессом спортсменов высокого класса: моногр. / А.П. Бондарчук. – М.: Олимпия Пресс, 2007. – 272 с.
2. 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.
3. 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/metodicheskierekomendatsii-poovershenstvovaniyumnogoletnei-podgotovki-sportivnogo-reze-0-25.03.2018.
4. Нейронная сеть v2.4.2. – http://kazus.ru/programs/viewdownloaddetails/kz_0/lid_13563.html.
5. 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.
6. 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.
7. Field, A. Discovering Statistics using SPSS / A. Field. – Washington DC: Sage Publications, 2009. – P. 585–626.
8. 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.
9. 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.
10. 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. – https://doi.org/10.1109/TCBB.2009.6.
11. 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.
2. Krivetskiy I.Yu., Popov G.I., Bezrukov N.S. [Creating an Individual Model of the High Jump Technique Based on a Cascade Neuro-Fuzzy Network in Order to Optimize the Training Process]. Rossiyskiy zhurnal biomekhaniki [Russian Journal of Biomechanics], 2011, vol. 15, no. 3 (53), pp. 71–78. (in Russ.)
3. Zelichenoka V.B. et al. Metodicheskiye rekomendatsii po sovershenstvovaniyu mnogoletney podgotovki sportivnogo rezerva v legkoy atletike [Guidelines for Improving the Long-Term Training of Sports Reserve in Athletics]. Moscow, Center for the development of athletics IAAF Publ., 2017. 543 p. Available at: http://la.sportedu.ru/content/metodicheskie-rekomendatsii-poovershenstvovaniyumnogoletnei-podgotovki-sportivnogo-reze-0-25.03.2018 (accessed 25.03.2018).
4. Neural network v2.4.2. Available at: http://kazus.ru/programs/viewdownloaddetails/ kz_0/lid_13563.html.
5. Parfianovich E.V., Bobkova E.N. [Pedagogical Experience of Applying Statistical Methods and Modeling in the Field of Physical Education]. Aktual’nyye problemy teorii i praktiki fizicheskoy kul’tury, sporta i turizma: materialy V Vserossiyskoy nauchno-prakticheskoy konferentsii molodykh uchenykh, aspirantov, magistrantov i studentov [Actual Problems of the Theory and Practice of Physical Culture, Sport and Tourism. Materials of the V All-Russian Scientific and Practical Conference of Young Scientists, Graduate Students, Undergraduates and Students], 2017, vol. 3, pp. 673–676. (in Russ.)
6. Semenova A.A. Primeneniye neyronnykh setey dlya prognozirovaniya rezul’tatov v sporte [The Use of Neural Networks to Predict Results in Sports]. Available at: http://uran.donntu.org/-masters/2006/kita/kornev/library/l15.htm (accessed 15.05.2018).
7. Field A. Discovering Statistics using SPSS. Washington DC, Sage Publications, 2009, pp. 585–626.
8. Lee G., Bucheli D.E.R., Madabhushi A. Adaptive Dimensionality Reduction with Semi-Supervision (AdReSS): Classifying Multi-Attribute Biomedical Data. PLoS ONE, 2014, vol. 11, pp. 14–16.
9. Hornik K., Stinchcombe М., White H. Multilayer Feed Forward Networks are Universal Approximators. Artificial Neural Networks. Approximation and Learning Theory. Blackwell, Oxford, UK, 2012, pp. 12–28.
10. Leung K-S., Lee K.H., Wang J-F. et al. Data Mining on DNA Sequences of Hepatitis B Virus. Transactions on Computing Biology and Bioinformatics, 2011, vol. 8, no. 2, pp. 428-440. DOI: 10.1109/TCBB.2009.6
11. Leech N.L., Barett K.C., Morgan G.A. IBM SPSS for Intermediate Statistics, 5th ed. New York and London: Routledge, Taylor & Francis Group, 2015, pp. 109–143.
2. 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.
3. 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/metodicheskierekomendatsii-poovershenstvovaniyumnogoletnei-podgotovki-sportivnogo-reze-0-25.03.2018.
4. Нейронная сеть v2.4.2. – http://kazus.ru/programs/viewdownloaddetails/kz_0/lid_13563.html.
5. 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.
6. 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.
7. Field, A. Discovering Statistics using SPSS / A. Field. – Washington DC: Sage Publications, 2009. – P. 585–626.
8. 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.
9. 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.
10. 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. – https://doi.org/10.1109/TCBB.2009.6.
11. 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.
References
1. Bondarchuk A.P. Upravleniye trenirovochnym protsessom sportsmenov vysokogo klassa [Management of the Training Process of High-Class Athletes]. Moscow, Olympia Press Publ., 2007. 272 p.2. Krivetskiy I.Yu., Popov G.I., Bezrukov N.S. [Creating an Individual Model of the High Jump Technique Based on a Cascade Neuro-Fuzzy Network in Order to Optimize the Training Process]. Rossiyskiy zhurnal biomekhaniki [Russian Journal of Biomechanics], 2011, vol. 15, no. 3 (53), pp. 71–78. (in Russ.)
3. Zelichenoka V.B. et al. Metodicheskiye rekomendatsii po sovershenstvovaniyu mnogoletney podgotovki sportivnogo rezerva v legkoy atletike [Guidelines for Improving the Long-Term Training of Sports Reserve in Athletics]. Moscow, Center for the development of athletics IAAF Publ., 2017. 543 p. Available at: http://la.sportedu.ru/content/metodicheskie-rekomendatsii-poovershenstvovaniyumnogoletnei-podgotovki-sportivnogo-reze-0-25.03.2018 (accessed 25.03.2018).
4. Neural network v2.4.2. Available at: http://kazus.ru/programs/viewdownloaddetails/ kz_0/lid_13563.html.
5. Parfianovich E.V., Bobkova E.N. [Pedagogical Experience of Applying Statistical Methods and Modeling in the Field of Physical Education]. Aktual’nyye problemy teorii i praktiki fizicheskoy kul’tury, sporta i turizma: materialy V Vserossiyskoy nauchno-prakticheskoy konferentsii molodykh uchenykh, aspirantov, magistrantov i studentov [Actual Problems of the Theory and Practice of Physical Culture, Sport and Tourism. Materials of the V All-Russian Scientific and Practical Conference of Young Scientists, Graduate Students, Undergraduates and Students], 2017, vol. 3, pp. 673–676. (in Russ.)
6. Semenova A.A. Primeneniye neyronnykh setey dlya prognozirovaniya rezul’tatov v sporte [The Use of Neural Networks to Predict Results in Sports]. Available at: http://uran.donntu.org/-masters/2006/kita/kornev/library/l15.htm (accessed 15.05.2018).
7. Field A. Discovering Statistics using SPSS. Washington DC, Sage Publications, 2009, pp. 585–626.
8. Lee G., Bucheli D.E.R., Madabhushi A. Adaptive Dimensionality Reduction with Semi-Supervision (AdReSS): Classifying Multi-Attribute Biomedical Data. PLoS ONE, 2014, vol. 11, pp. 14–16.
9. Hornik K., Stinchcombe М., White H. Multilayer Feed Forward Networks are Universal Approximators. Artificial Neural Networks. Approximation and Learning Theory. Blackwell, Oxford, UK, 2012, pp. 12–28.
10. Leung K-S., Lee K.H., Wang J-F. et al. Data Mining on DNA Sequences of Hepatitis B Virus. Transactions on Computing Biology and Bioinformatics, 2011, vol. 8, no. 2, pp. 428-440. DOI: 10.1109/TCBB.2009.6
11. Leech N.L., Barett K.C., Morgan G.A. IBM SPSS for Intermediate Statistics, 5th ed. New York and London: Routledge, Taylor & Francis Group, 2015, pp. 109–143.
Опубликован
2018-11-01
Как цитировать
Бобкова, Е., & Парфианович, Е. (2018). ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ПРОГНОЗИРОВАНИЯ И МОДЕЛИРОВАНИЯ ТРЕНИРОВОЧНОГО ПРОЦЕССА В ЛЕГКОЙ АТЛЕТИКЕ. Человек. Спорт. Медицина, 18(S), 115-119. https://doi.org/10.14529/hsm18s16
Выпуск
Раздел
Спортивная тренировка
Copyright (c) 2019 Человек. Спорт. Медицина
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
