Präzise Vorhersage der Startgeschwindigkeit für Athleten im Luftwettbewerb des Freestyle-Skifahrens basierend auf Deep Transfer Learning

Scientific Reports Band 13, Artikelnummer: 4308 (2023) Diesen Artikel zitieren

557 Zugriffe

1 Zitate

12 Altmetrisch

Details zu den Metriken

Eine Autorenkorrektur zu diesem Artikel wurde am 08. Mai 2023 veröffentlicht

Dieser Artikel wurde aktualisiert

Das automatische Ermitteln der Startgeschwindigkeit ist für Sportler im Freestyle-Skiing ein wichtiger Garant für das Erzielen guter Ergebnisse. In den meisten veröffentlichten Studien, in denen Sportler beschrieben werden, die hohe Punktzahlen erzielen, hängt die unterstützende Gleitdistanz vollständig vom Trainer und sogar von der eigenen Erfahrung des Sportlers ab, was möglicherweise nicht optimal ist. Das Hauptziel der vorliegenden Arbeit besteht darin, ein Erfassungssystem zu verwenden und ein Modell eines künstlichen neuronalen Netzwerks (ANN) zu entwickeln, um automatisch die entsprechende Beziehung zwischen der Distanz des unterstützenden Gleitens und der Geschwindigkeit zu ermitteln. Der Einfluss von Schneereibungskoeffizient, Windgeschwindigkeit, Windrichtung, Neigung, Höhe und Gewicht kann in der Unity3D-Engine simuliert werden. Der Einfluss von Temperatur, Luftfeuchtigkeit und Neigungswinkel muss in der Praxis von professionellen Testern gemessen werden, was sehr anstrengend ist. Das neuronale Netzwerk wird zunächst durch ausreichend Simulationsdaten trainiert, um das codierte Merkmal zu erhalten. Anschließend werden die in der Simulationsumgebung erlernten Informationen an ein anderes Netzwerk übertragen. Das zweite Netzwerk nutzt die Daten von zwanzig professionellen Testern. Im Vergleich zum Modell ohne Transferlernen weist die vorgeschlagene Methode eine deutliche Leistungsverbesserung auf. Der mittlere quadratische Fehler für den Testsatz beträgt 0,692. Es wird beobachtet, dass die vom entworfenen Deep Transfer Learning (DTL)-Modell vorhergesagte Geschwindigkeit gut mit den experimentellen Messergebnissen übereinstimmt. Die Ergebnisse deuten darauf hin, dass die vorgeschlagene Transfer-Lernmethode ein effizientes Modell ist, das als Werkzeug zur Vorhersage der unterstützenden Gleitdistanz und Startgeschwindigkeit für Sportler im Luftwettbewerb des Freestyle-Skifahrens verwendet werden kann.

Der Aerials-Wettbewerb des Freestyle-Skifahrens ist eine Sportart, die weltweit Aufmerksamkeit erregt. Das Projekt demonstriert hauptsächlich die Technik und Flexibilität der Athleten und steht in hohem Maße im Einklang mit den eigenen sportlichen Eigenschaften und körperlichen Merkmalen der Athleten1. Daher war der Luftwettbewerb des Freestyle-Skifahrens schon immer ein wichtiger Durchbruch für Athleten, um bei den Olympischen Winterspielen Gold zu gewinnen. Die Aktionszusammensetzung des Luftwettbewerbs beim Freestyle-Skifahren ist hauptsächlich in vier Phasen unterteilt, nämlich die unterstützende Gleit-, Start-, Luft- und Landephase. Normalerweise sind diese vier Phasen miteinander verbunden, fördern sich gegenseitig und interagieren miteinander. Einer der Schlüsselfaktoren für den Erfolg oder Misserfolg der Aktion ist die Kontrolle der Steighöhe, also die Kontrolle der Geschwindigkeit des Starts am Ende der unterstützenden Gleitphase. Das Diagramm und die Seitenansicht des Luftstandorts sind in Abb. 1 dargestellt, wo die vier Phasen und der entscheidende Startgeschwindigkeitspunkt im Detail dargestellt sind.

Das Diagramm und die Seitenansicht des Luftstandorts.

Die Geschwindigkeit des Starts wird jedoch von vielen Faktoren beeinflusst. In früheren Wettkämpfen hängt die unterstützende Gleitdistanz der Aerials-Wettbewerbe des Freestyle-Skifahrens vollständig von ihren Trainern und sogar von der eigenen Erfahrung des Athleten ab, oder der endgültige Entscheidungsstand wird nach wiederholten Gleittests bestimmt, was möglicherweise nicht optimal ist. Darüber hinaus ist die Durchführung von Freilandversuchen zeitaufwändig und anstrengend2,3,4. Die unterstützende Gleitgeschwindigkeit wird von den Schneeverhältnissen, der Umgebung und dem Rutschgefälle beeinflusst. Zu den Schneebedingungen gehören Schneetemperatur, -härte und -beschaffenheit5,6,7, die sich alle direkt auf den Reibungskoeffizienten des Schnees auswirken, der wiederum die Gleitgeschwindigkeit beeinflusst. Die Einschränkung wiederholter Gleittests von Sportlern kann durch den Einsatz eines Ski-Schnee-Tribometersystems überwunden werden. Aufgrund seiner objektiven, schnellen und zuverlässigen Messung wird ein Ski-Schnee-Tribometersystem bevorzugt. Allerdings wurden weniger Arbeiten zur Entwicklung des Ski-Schnee-Tribometersystems durchgeführt. Die vorhandenen Messsysteme können in zwei Kategorien eingeteilt werden: (1) lineare Tribometer6,8; (2) Rotationstribometer9. Eine Einschränkung der bestehenden Systeme besteht darin, dass sie aufgrund der Größe der Proben und der Konstruktion der Systeme die Messung der Reibung entlang des Skis nicht ermöglichen können. Darüber hinaus, was noch wichtiger ist, hängt die Geschwindigkeit des Athleten neben dem Reibungskoeffizienten des Schnees auch von der Rutschstrecke, der Windgeschwindigkeit, der Windrichtung, der Neigung, der Höhe, der Gewichtstemperatur, der Luftfeuchtigkeit und dem Neigungswinkel ab. Leider gibt das bestehende Messmodell nicht direkt den Zusammenhang zwischen der Geschwindigkeit und diesen Faktoren wieder, um den Athleten dabei zu helfen, gute Ergebnisse zu erzielen, was für die Athleten ungünstig ist.

In diesem Artikel haben wir einen neuartigen Algorithmus vorgeschlagen, um die Geschwindigkeit des Sportlers vorherzusagen und Hinweise zur Unterstützung der Gleitstrecke des Sportlers zu geben. Das Modell berücksichtigt umfassend die Wirkung von Koeffizienten und erfasst die komplexen Beziehungen zwischen Variablen durch Untersuchung der in den Daten eingebetteten wichtigen Merkmale. Durch Testexperimente wurden Rohdaten gesammelt, um den Status Quo zu ändern, dass die unterstützende Gleitstrecke vollständig vom Trainer und sogar von der eigenen Erfahrung des Athleten abhängt.

KNNs werden in verschiedenen Bereichen wie Klassifizierung, Mustererkennung, Vorhersage usw. eingesetzt10,11,12. In jüngster Zeit wurde die Anwendbarkeit von ANN durch die Bereitstellung von Lösungen für technische Anwendungen wie Grundwasserüberwachung, Betonfestigkeitsvorhersage, Vorhersage der Trichterauslaufrate und Vorhersage des Reibungsfaktors von reinem Wasser erweitert12,13,14,15. Naderpour et al.16 prognostizierten mithilfe von ANN die Druckfestigkeit von Beton aus recycelten Zuschlagstoffen. Die Regressionswerte des ausgewählten Netzwerks für Training, Validierung und Tests betragen 0,903, 0,89 bzw. 0,829. Ein ANN wurde von Kumar et al.15 entwickelt, um die Massenaustragsrate aus konischen Trichtern vorherzusagen, und das gewählte ANN-Modell war in der Lage, die Austragsrate von Mehrkomponenten-Partikelsystemen aus konischen Trichtern mit unterschiedlichem Winkel innerhalb eines Fehlers von ± 13 % vorherzusagen. Cebi et al.12 entwickelten ein ANN-Modell des Reibungsfaktors in Glatt- und Mikrorippenrohren unter Heiz-, Kühl- und isothermen Bedingungen. Die Ergebnisse deuten darauf hin, dass ein solches auf einem neuronalen Netzwerk basierendes System die Reibungsfaktorwerte der Strömungen unabhängig von der Art ihrer Röhren effektiv vorhersagen könnte. Der Hauptgrund dafür, dass ANNs weithin anerkannt sind, ist ihre Wirksamkeit bei der Lösung komplexer technischer Probleme17. ANN abstrahiert das neuronale Netzwerk des menschlichen Gehirns aus der Perspektive der Informationsverarbeitung, erstellt ein bestimmtes einfaches Modell und bildet je nach Verbindung unterschiedliche Netzwerke. Daher offenbart ANN die erstaunliche Fähigkeit der Modellierung des menschlichen Gehirns. Nach unserem besten Wissen sind Anwendungen von KNN zur Vorhersage der unterstützenden Gleitdistanz für Sportler im Luftwettbewerb des Freestyle-Skifahrens in der Literatur sehr selten. Bisher gibt es keine Studie zur Vorhersage der unterstützenden Gleitstrecke. Die Forschung in diesem Artikel füllt Lücken in verwandten Bereichen und bietet eine Grundlage für Folgeforschung.

Auf einer Konferenz über neuronale Informationsverarbeitungssysteme geben Forscher eine repräsentative Definition: Transferlernen zielt darauf ab, Wissen zwischen ähnlichen, aber unterschiedlichen Bereichen, Aufgaben und Verteilungen zu übertragen. Später, mit der Weiterentwicklung des Transferlernens, gaben Pan und Yang18 im Jahr 2010 eine formale Definition des Transferlernens, die es in isomorphes Transferlernen und heterogenes Transferlernen unterteilt. In diesem Artikel ist das zu lösende Problem das isomorphe Transferlernen, bei dem der Merkmalsraum und der Klassenbezeichnungsraum der Quelldomäne und der Zieldomäne gleich sind, die Randverteilung oder bedingte Verteilung jedoch unterschiedlich ist. Bousmalis et al.19 schlugen das Domänentrennungsnetzwerk vor, dessen Netzwerkarchitektur aus einem gemeinsamen Encoder, einem Quelldomänenencoder, einem Zieldomänenencoder, einem gemeinsamen Decoder und einem Klassifikator besteht, der domänenspezifische Merkmale trennt und gleichzeitig gemeinsame Domänenmerkmale auswertet. Yan et al.20 schlugen das gewichtete Domänenanpassungsnetzwerk vor, das eine gewichtete maximale mittlere Diskrepanz basierend auf vorherigen Informationen der Kategorie entwarf, um die Quelldomäne und die Zieldomäne anzupassen. Li et al.21 schlugen die gemeinsame kontradiktorische Domänenanpassungsmethode vor, die sowohl eine Konfrontation auf Merkmalsebene als auch auf Klassenebene durchführt. Ersteres wird verwendet, um die Randverteilung zwischen Domänen zu reduzieren, und letzteres wird verwendet, um die bedingte Verteilung zu reduzieren. Transfer wird heute häufig beim Erlernen verschiedener Kenntnisse, Fähigkeiten und sozialer Normen eingesetzt22,23,24.

Die Leistung des entwickelten DTL-Modells zur Vorhersage der Startgeschwindigkeit wird im Skigebiet Baiqingzhai getestet, dessen Freestyle-Skiing-Aerial-Skills-Austragungsort internationalen Wettbewerbsstandards entspricht. Der Breiten- und Längengrad des Skigebiets Baiqingzhai beträgt 41,58093 bzw. 123,7144. Das Experiment wird an vier Tagen bei unterschiedlichem Wetter durchgeführt, um den Einfluss von Temperatur und Luftfeuchtigkeit zu untersuchen. Basierend auf den besten 15 Tests pro professionellem Tester werden insgesamt 300 Input-Output-Datensätze generiert. Von den 300 Eingabe-Ausgabe-Datensätzen werden 240 Datensätze für das Training und die restlichen 60 Datensätze für die Validierung verwendet.

Um das neuronale Netzwerk zu trainieren, ist der PC mit 32,0 GB RAM, einer Core i7-9700F-CPU mit 3,0 GHz und der NVIDIA GeForce RTX 2060 ausgestattet. Das Encoder-Netzwerk wird zunächst mit 100.000 Simulationsdatensätzen mit 100 Batch-Größen und 5000 Epochen trainiert. Die Gesamtzeit für das Training des Encoder-Netzwerks beträgt etwa 4 Stunden. Nach dem Trainingsprozess werden die Parameter der verborgenen Schichten eingefroren. Die letzte verborgene Schicht des Encoder-Netzwerks und der anderen drei Parameter in der realen Welt ist die Eingabe des Vorhersagenetzwerks. Die Datenbezeichnung ist die von der Ausrüstung gemessene Startgeschwindigkeit. Das Vorhersagenetzwerk wird mit 240 Sätzen realer Daten mit 48 Batchgrößen und 500 Epochen in etwa 20 Minuten trainiert. Die Verlustkurve während des Trainingsprozesses ist in Abb. 2 dargestellt. Offenbar konvergiert das DTL-Modell schnell und die Verlustfunktion des Trainingssatzes und des Validierungssatzes wird synchron reduziert. Um die Wirksamkeit des Transferlernens zu demonstrieren, wird ein Experiment durchgeführt, bei dem das Vorhersagenetzwerk direkt anhand realer Daten trainiert wird. Das Modell ohne Transferlernen konvergiert sehr langsam. Die Verlustfunktion des Validierungssatzes nimmt in der späteren Phase zu und es tritt bald das Phänomen der Überanpassung auf.

Die Verlustkurve während des Trainingsprozesses.

Die Leistung des trainierten Netzwerks wird nur mit simulierten Daten und nur realen Daten sowie mit dem Netzwerk mit Transferlernen verglichen. Der mittlere quadratische Fehler (MSE) beträgt 4,280, 1,946 bzw. 0,692. Das Ergebnis zeigt, dass das vorgeschlagene DTL-Modell andere Modelle deutlich übertrifft. Die Leistung eines Netzwerks mit nur simulierten Daten ist aufgrund der Domänenverschiebung zwischen der Simulation und der realen Umgebung am schlechtesten. Das vorgeschlagene DTL-Modell integriert Wissen in der simulierten Umgebung, um codierte Informationen zu bilden und diese in die reale Umgebung zu übertragen. Der MSE des besten neuronalen Netzwerks beträgt 0,692. Daraus lässt sich schließen, dass das ausgewählte neuronale Netzwerk in der Lage ist, eine gute Korrelation zwischen den Umgebungsparametern und der vorhergesagten Startgeschwindigkeit bereitzustellen. Die MSE eines Netzwerks mit nur simulierten Daten ist aufgrund der Domänenverschiebung zwischen Simulation und realer Umgebung am schlechtesten.

Da keine Methode zur Bestimmung der besten neuronalen Netzwerkstruktur und der optimalen Trainingsmethode entwickelt wurde, werden in der vorliegenden Arbeit die verfügbaren Datensätze von anderen in 4,7 vorgestellten Netzwerken trainiert, validiert und getestet, bis das Netzwerk die minimale MSE erreicht. Entsprechend der Anzahl der Eingabeknoten, verborgenen Schichten und verborgenen Knoten werden die beiden Netzwerke jeweils als Modell 9-2-8 und Modell 11-2-15 bezeichnet. Das Training wird automatisch nach 5000 Epochen beendet. Tabelle 1 listet verschiedene ANN-Strukturen auf, die während der Modellanpassung im Lichte von Trainings-, Validierungs- und Testfehlern mit Änderungen in der Struktur von Neuronen in der verborgenen Schicht getestet wurden. Die Untersuchung der Tabelle 1 zeigt, dass das vorgeschlagene neuronale Netzwerk andere Strukturen bei weitem übertrifft. Daraus lässt sich schließen, dass das ausgewählte neuronale Netzwerk in der Lage ist, eine gute Korrelation zwischen dem Ziel und der vorhergesagten Startgeschwindigkeit für Sportler im Luftwettbewerb des Freestyle-Skifahrens bereitzustellen.

In dieser Arbeit wird ein Erfassungssystem für den Reibungskoeffizienten des Schnees, die Windgeschwindigkeit, die Windrichtung und den Neigungswinkel entwickelt und ein neuartiger DTL-Algorithmus vorgeschlagen, um die Startgeschwindigkeit von Athleten im Luftwettbewerb des Freestyle-Skifahrens vorherzusagen und den Status zu ändern Quo, dass die unterstützende Gleitstrecke vollständig vom Trainer und sogar von der eigenen Erfahrung des Athleten abhängt. Das Modell berücksichtigt umfassend verschiedene Faktoren, die die Startgeschwindigkeit von Sportlern beeinflussen. Einige dieser Faktoren können von der Unity3D-Engine simuliert werden, wodurch große Datenmengen generiert werden. In anderen Teilen führen 20 Athleten Experimente in realen Umgebungen durch und sammeln eine kleine Datenmenge. Unser vorgeschlagener DTL-Algorithmus bewältigt effektiv das quantitative Ungleichgewicht und die Domänendrift zwischen den beiden Datensätzen. Durch unsere Experimente haben wir herausgefunden, dass der DTL-Algorithmus nützliche Informationen für die Simulationsdomäne lernen und diese auf die reale Domäne übertragen kann, was zu der besten Leistung führt. Der MSE des neuronalen Netzwerks beträgt 0,692, was andere Modelle ohne Transferlernen deutlich übertrifft und den Bedürfnissen von Sportlern gerecht wird. Das Ergebnis zeigt, dass die vorgeschlagene Methode Trainern und Sportlern dabei helfen kann, basierend auf den jeweiligen Umgebungsparametern eine geeignete unterstützende Gleitstrecke auszuwählen.

In zukünftigen Arbeiten werden wir Virtual-Reality-Systeme entwickeln, die auf bestehenden neuronalen Netzwerkmodellen basieren. Bei diesem System können Sportler die Geschwindigkeit auf verschiedenen Schneeoberflächen steuern, indem sie den Neigungswinkel und die Neigung der Schneedecke anpassen, um die Anpassungsfähigkeit an unterschiedliche Umgebungen zu verbessern. Das System kann die Einschränkungen der Saison beim Freestyle-Skifahren aufheben.

Das Rotationstribometer ist in Abb. 3a dargestellt und besteht aus einem Messrotationsrad-Subsystem, einem Power-Start-Subsystem und einem unterstützenden Fall-Subsystem. Genauer gesagt besteht das messende Rotationsrad-Subsystem aus Rotationsrad, Stützwelle, Keramiklager, Lagerblock, Führungsschiene, Schienengleiter und Drehzahlsensor. Das Power-Start-Subsystem besteht aus einem Schrittmotor, einem elektrischen Schieber und einem trennbaren Getriebeteil. Das unterstützende Fallteilsystem besteht aus Rahmen, Fallschieber und Stützrahmen. Im Power-Start-Subsystem überträgt der Schrittmotor über den trennbaren Übertragungsteil Leistung auf das Rotationsrad im Mess-Rotationsrad-Subsystem, sodass das Rotationsrad eine bestimmte Geschwindigkeit erreicht. In diesem Moment treibt der elektrische Schieber im Power-Start-Subsystem den Schrittmotor aus dem Getriebe. Der elektrische Schieber im unterstützenden Falluntersystem unterstützt das Messrotationsrad-Subsystem dabei, auf die gemessene Schneeoberfläche zu fallen, so dass die Außenfläche des Rotationsrads in Kontakt mit der gemessenen Schneeoberfläche ist und die aktuelle Rotationsgeschwindigkeit des Rotationsrads aufgezeichnet wird W1 durch den Drehzahlsensor. Wenn das Rotationsrad T Sekunden lang Kontakt mit der gemessenen Schneeoberfläche hat, wird die aktuelle Rotationsgeschwindigkeit des Rotationsrads als W2 aufgezeichnet und der Reibungskoeffizient (μ) kann mit der folgenden Formel berechnet werden:

wobei f, N, d, M und α die Reibung, der Druck, der Durchmesser des Rotationsrads, das Trägheitsmoment des Rotationsrads bzw. die Verzögerung des Rotationsrads sind.

Gesamtaufbau der Messgeräte.

Entsprechend dem Messprozess des Rotationstribometers werden die Designanforderungen des Steuerungssystems analysiert und der Schrittmotor und der Gleichstrommotor werden vom Einzelchip-Mikrocomputer (SCM) gesteuert. Basierend auf der Analyse des Prinzips der SCM-Steuerung wird die asynchrone Steuerung des Schrittmotors realisiert und die Theorie der digitalen inkrementellen PID-Steuerung wird verwendet, um die synchrone Steuerung der beiden Gleichstrommotoren zu realisieren. In dieser Untersuchung wird der 57-Schrittmotor mit geschlossenem Regelkreis vom HBS657-Treiber angetrieben, der 42-Schrittmotor wird vom DM320-Treiber angetrieben und der AQMH2407ND-Treiber wird für den JGA25-Getriebemotor verwendet. Genauer gesagt ist der Steuerablauf der vier Motoren wie folgt: Drücken Sie den Startschalter, um das Tribometer zurückzusetzen, dann starten Sie den Schrittmotor 57 mit geschlossenem Regelkreis und beschleunigen Sie, der Schrittmotor 57 mit geschlossenem Regelkreis beschleunigt und stabilisiert sich für 10 s auf 600 U/min und Starten Sie den 42-Schrittmotor, um den Schieber in Bewegung zu setzen. Der 42-Schrittmotor erreicht die Endposition und die beiden Motoren der fallenden Stütze fallen synchron bis zur unteren Endposition. Das Flussdiagramm des Steuerungssystems ist in Abb. 4 dargestellt. Um eine genauere Vorhersage der unterstützenden Gleitstrecke zu erhalten, werden in dieser Untersuchung außerdem auch Windgeschwindigkeit, Windrichtung und Neigungswinkel gemessen. Da der Winkelgeschwindigkeitssensor eine hohe Präzision erfordert, wird ein hochauflösender fotoelektrischer Encoder (Omron E6H-CWZ3E) verwendet. Der Neigungswinkelsensor MCA420T-60-02 und das Temperatur- und Feuchtigkeitssensormodul der SHT3X-Serie werden ausgewählt, und der Windgeschwindigkeits- und Windrichtungssensor ist das Modell RS-FSJT bzw. das Modell RS-FXJT. Das Foto des gesamten im Skigebiet eingesetzten Messroboters ist in Abb. 3b dargestellt.

Das Flussdiagramm des Steuerungssystems.

Zwanzig professionelle Tester (im Alter von 20 bis 30 Jahren, Mittelwert = 23,75, SD = 2,99) nahmen an dieser Studie teil, die von der Ethikkommission der Northeastern University genehmigt wurde. Jeder Teilnehmer führt 20 Testläufe durch und die besten 15 Tests pro Tester werden für die weitere Analyse ausgewählt. Die Koeffizienten am Ende der unterstützenden Gleitphase werden vor jedem Test gemessen. Außerdem werden der unterstützende Gleitweg und die Geschwindigkeit aufgezeichnet.

Der Datensatz besteht aus zwei Teilen: ausreichend Simulationsdaten, die von der Unity3D-Engine generiert werden, und weniger Daten aus der realen Welt, die von rekrutierten Profisportlern gesammelt wurden. Der erste Datensatz umfasst den Schneereibungskoeffizienten, die Windgeschwindigkeit, die Windrichtung, die Neigung, die unterstützende Rutschstrecke, die Größe und das Gewicht des Athleten, die in der Unity3D-Engine simuliert werden können. Wir haben eine virtuelle Umgebung für den Aerials-Wettbewerb des Freestyle-Skifahrens eingerichtet, der in Abb. 5 dargestellt ist. Insgesamt wurden 100.000 Versuchsreihen simuliert. Diese Parameter folgen einer Gaußschen Verteilung und der Mittelwert und die Standardabweichung der Parameterverteilung sind in Tabelle 2 aufgeführt. Nach fünf Stunden Berechnung sind alle Daten problemlos vervollständigt. Zusätzlich zu den im ersten Datensatz enthaltenen Parametern enthält der zweite Datensatz auch Temperatur, Luftfeuchtigkeit und Neigungswinkel, die schwer zu simulieren sind. Die Daten müssen in der realen Welt von professionellen Testern gemessen werden, was zeitaufwändig ist. Somit dauert die Erfassung von insgesamt 300 Datensätzen vier Tage. Die Windgeschwindigkeit und -richtung werden in die horizontale Geschwindigkeit vx und die vertikale Geschwindigkeit vy umgerechnet. Darüber hinaus müssen die Daten durch die folgende Gleichung normalisiert werden, um die Vielfalt der Parameterverteilung auszugleichen.

wobei \({y}^{l(i,j)}\) der Rohwert der Daten ist, \(\hat{y}^{l(i,j)}\) der normalisierte Wert der Daten ist, \( {\mu }_{B}=\mathrm{E}\left[{y}^{l(i,j)}\right]\), \({\sigma }_{B}^{2}= \mathrm{Var}\left[{y}^{l(i,j)}\right]\), \(\epsilon \) ist eine kleine Konstante, die für die numerische Stabilität hinzugefügt wird.

Die virtuelle Umgebung des Luftwettbewerbs des Freestyle-Skifahrens in der Unity3D-Engine.

Wie im vorherigen Abschnitt erwähnt, umfassen die Daten eine große Menge Simulationsdaten sowie eine kleine Menge realer Daten. Der Algorithmus muss mit der quantitativen Differenz und der Domänenverschiebung der beiden Datensätze umgehen. Es wird eine neuartige überwachte Deep-Transfer-Lernmethode vorgeschlagen. Die Struktur des neuronalen Netzwerks ist in Abb. 6 dargestellt. Der rote Teil, Encoder-Netzwerk genannt, wird zunächst durch Simulationsdaten mit Beschriftung trainiert. Die Eingaben des neuronalen Netzwerks sind die sieben Parameter der Umgebung und die Ausgabe ist die Vorhersage der Startgeschwindigkeit. Die letzte Schicht der verborgenen Schicht ist bewusst schmal gestaltet. In dieser Schicht werden die nützlichsten Informationen reserviert und die vorherigen Schichten werden als Encoder der Eingabe betrachtet. Der blaue Teil namens Vorhersagenetzwerk wird dann mit weniger realen Daten trainiert. Die Eingaben sind die letzte verborgene Schicht des Encoder-Netzwerks und weitere drei Parameter. Beachten Sie, dass die Schichten im Encoder-Netzwerk Informationen enthalten, die in Simulationsdaten gelernt wurden, sodass sie im zweiten Trainingsprozess eingefroren werden.

Die Struktur des vorgeschlagenen neuronalen Netzwerks.

Als Verlustfunktion wird der mittlere quadratische Fehler (MSE) ausgewählt, der die durchschnittliche quadratische Differenz zwischen Ausgängen und Zielen darstellt. Darüber hinaus wird der Verlustfunktion des Vorhersagenetzwerks eine L2-Regularisierung hinzugefügt, um eine Überanpassung zu verhindern. λ ist der Strafkoeffizient des Regularisierungselements. Die Gesamtverlustfunktion des Vorhersagenetzwerks wird in der folgenden Gleichung dargestellt:

Die ANN-Modelle werden mit dem Adam-Optimierungsalgorithmus trainiert. Die Aktivierungsfunktion ist ReLU. Der Arbeitsablauf des DTL-Modells ist in Algorithmus 1 dargestellt. Schließlich werden die Daten der Simulation und zwanzig Teilnehmer zufällig in Trainings- und Testsätze aufgeteilt und 80 % der Daten für das Training des Modells und 20 % für die Validierung verwendet.

Die während der aktuellen Studie generierten und/oder analysierten Datensätze sind aufgrund der Vertraulichkeitsvereinbarung nicht öffentlich zugänglich, können aber auf begründete Anfrage beim entsprechenden Autor angefordert werden.

Eine Korrektur zu diesem Artikel wurde veröffentlicht: https://doi.org/10.1038/s41598-023-34472-6

Nicotra, M., Moncalero, M. & Colonna, M. Einfluss der viskoelastischen Eigenschaften thermoplastischer Polymere auf das Biege- und Rückprallverhalten von Skischuhen für den alpinen Skisport. Proz. Inst. Mech. Ing. Teil P J. Sports Eng. Technol. 229, 199–210. https://doi.org/10.1177/1754337114564481 (2015).

Artikel Google Scholar

Leino, MAH, Spring, E. & Suominen, H. Methoden zur gleichzeitigen Bestimmung des Luftwiderstands eines Skifahrers und des Reibungskoeffizienten seiner Skier auf dem Schnee. Tragen Sie 86, 101–104 (1983).

Artikel Google Scholar

Hasler, M. et al. Ein neuartiges Ski-Schnee-Tribometer und seine Präzision. Tribol. Lette. https://doi.org/10.1007/s11249-016-0719-2 (2016).

Artikel Google Scholar

Song, W., Pan, Y., Qin, J., Wang, H. & Dong, C. Schneeumgebungsmesssystem basierend auf dem BP-Modell zur Vorhersage der Startgeschwindigkeit des Sportlers beim Freestyle-Skifahren. im Jahr 2020 IEEE 3rd International Conference of Safe Production and Informatization (IICSPI). 522–525 (IEEE).

Nachbauer, W., Schrocksnadel, P. & Lackinger, B. Auswirkungen von Schnee und Luftbedingungen auf die Skireibung. Skitrauma Safety Tenth 1266, 178–185. https://doi.org/10.1520/stp37927s (1996).

Artikel Google Scholar

Montagnat, M. & Schulson, EM Über Reibung und Oberflächenrisse beim Gleiten von Eis auf Eis. J. Glaciol. 49, 391–396 (2003).

Artikel ADS Google Scholar

Qin, J. et al. Die quantitative Vorhersage der Hilfsgleitstrecke beim Freestyle-Skifahren basiert auf dem neuronalen MLP-Netzwerk. im Jahr 2019 IEEE 2nd International Conference on Information Communication and Signal Processing (ICICSP). 469–472 (IEEE).

Jones, SJ, Kitigawa, H., Izumiyama, K. & Shimoda, H. Reibung von schmelzendem Eis. Ann. Glaziol. 19, 7–12 (1994).

Artikel ADS Google Scholar

Baeurle, L., Szabo, D., Fauve, M., Rhyner, H. & Spencer, ND Gleitreibung von Polyethylen auf Eis: Tribometermessungen. Tribol. Lette. 24, 77–84. https://doi.org/10.1007/s11249-006-9147-z (2006).

Artikel CAS Google Scholar

LeCun, Y., Bengio, Y. & Hinton, G. Deep Learning. Natur 521, 436–444 (2015).

Artikel ADS CAS PubMed Google Scholar

ArumugaMariaDevi, T. & Darwin, P. Leistungsmetriken für hyperspektrale Bilder in einem unscharfen kontextuellen Faltungs-Neuronalen Netzwerk für Lebensmittelqualitätsanalysatoren. Int. J. Unsicherheit Unschärfe Wissensbasiertes Syst. 30, 337–356. https://doi.org/10.1142/S0218488522400104 (2022).

Artikel Google Scholar

Cebi, A., Akdogan, E., Celen, A. & Dalkilic, AS Vorhersage des Reibungsfaktors von reinem Wasser, das in vertikalen glatten und Mikrorippenrohren fließt, mithilfe künstlicher neuronaler Netze. Wärme-Massentransf. 53, 673–685. https://doi.org/10.1007/s00231-016-1850-1 (2017).

Artikel ADS CAS Google Scholar

Duan, ZH, Kou, SC & Poon, CS Vorhersage der Druckfestigkeit von Recyclingbeton mithilfe künstlicher neuronaler Netze. Konstr. Bauen. Mater. 40, 1200–1206. https://doi.org/10.1016/j.conbuildmat.2012.04.063 (2013).

Artikel Google Scholar

Ling, TC Vorhersage der Dichte und Druckfestigkeit für gummierte Betonblöcke. Konstr. Bauen. Mater. 25, 4303–4306 (2011).

Artikel Google Scholar

Kumar, R., Patel, CM, Jana, AK & Gopireddy, SR Vorhersage der Trichteraustragsrate mithilfe der kombinierten Methode der diskreten Elemente und eines künstlichen neuronalen Netzwerks. Adv. Pulvertechnologie. 29, 2822–2834. https://doi.org/10.1016/j.apt.2018.08.002 (2018).

Artikel Google Scholar

Naderpour, H., Rafiean, AH & Fakharian, P. Druckfestigkeitsvorhersage von umweltfreundlichem Beton mithilfe künstlicher neuronaler Netze. J. Bauen. Ing. 16, 213–219. https://doi.org/10.1016/j.jobe.2018.01.007 (2018).

Artikel Google Scholar

Getahun, MA, Shitote, SM & Gariy, ZCA Auf einem künstlichen neuronalen Netzwerk basierender Modellierungsansatz zur Festigkeitsvorhersage von Beton, der Agrar- und Bauabfälle enthält. Konstr. Bauen. Mater. 190, 517–525. https://doi.org/10.1016/j.conbuildmat.2018.09.097 (2018).

Artikel Google Scholar

Pan, SJ & Yang, Q. Eine Umfrage zum Transferlernen. IEEE Trans. Wissen. Daten-Ing. 22, 1345–1359 (2009).

Artikel Google Scholar

Bousmalis, K., Trigeorgis, G., Silberman, N., Krishnan, D. & Erhan, D. Domänentrennungsnetzwerke. Adv. Neuronale Information. Verfahren. Syst. 29, 343–351 (2016).

Google Scholar

Yan, H. et al. Beachten Sie die Klassengewichtungsverzerrung: Gewichtete maximale mittlere Abweichung für unbeaufsichtigte Domänenanpassung. in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2272–2281.

Li, S. et al. Gemeinsame gegnerische Domänenanpassung. in Proceedings of the 27th ACM International Conference on Multimedia. 729–737.

Yu, X., Yang, X., Tan, Q., Shan, C. & Lv, Z. Eine auf Edge-Computing basierende Anomalieerkennungsmethode für die industrielle Nachhaltigkeit des IoT. Appl. Soft Comput. 128, 109486 (2022).

Artikel Google Scholar

Hu, N., Tian, Z., Du, X., Guizani, N. & Zhu, Z. Deep-Green: Ein verteiltes Energieeffizienz-Computing-Paradigma für grünes industrielles IoT. IEEE Trans. Grüne Kommune. Netw. 5, 750–764 (2021).

Artikel Google Scholar

Xu, X., Liu, W. & Yu, L. Flugbahnvorhersage für heterogene Verkehrsagenten unter Verwendung eines datengesteuerten Wissenskorrekturmodells. Inf. Wissenschaft. 608, 375–391 (2022).

Artikel Google Scholar

Referenzen herunterladen

Die Autoren erhielten Unterstützung vom National Key R&D Program of China (2021YFF0306400). Die Autoren danken der Förderorganisation für ihre finanzielle Unterstützung. Die Autoren danken auch dem Skigebiet Baiqingzhai im chinesischen Shenyang für seine volle Unterstützung.

Fakultät für Maschinenbau und Automatisierung, Northeastern University, Shenyang, China

Daqi Jiang, Hong Wang und Jichi Chen

Schlüsselforschungszentrum für Sozialwissenschaften, Shenyang Sport University, Shenyang, China

Chuan Sheng Dong

Sie können diesen Autor auch in PubMed Google Scholar suchen

DJ: formale Analyse, Methodik, Software, Datenerfassung, Validierung, Visualisierung, Konzeptualisierung, Schreiben – Originalentwurf, Schreiben – Überprüfen und Bearbeiten. HW: Untersuchung, Konzeptualisierung, Ressourcen, Projektverwaltung und -überwachung. JC: Datenkuration. CD: Visualisierung und Finanzierungsakquise.

Korrespondenz mit Chuansheng Dong.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Die ursprüngliche Online-Version dieses Artikels wurde überarbeitet: Die Originalversion dieses Artikels enthielt Fehler in den Abschnitten „Autorenbeiträge“ und „Danksagungen“. Ausführliche Informationen zu den vorgenommenen Korrekturen finden Sie in der Korrekturmitteilung zu diesem Artikel.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative-Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht durch gesetzliche Vorschriften zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Jiang, D., Wang, H., Chen, J. et al. Präzise Vorhersage der Startgeschwindigkeit für Athleten im Luftwettbewerb des Freestyle-Skifahrens basierend auf Deep Transfer Learning. Sci Rep 13, 4308 (2023). https://doi.org/10.1038/s41598-023-31355-8

Zitat herunterladen

Eingegangen: 23. Januar 2023

Angenommen: 10. März 2023

Veröffentlicht: 15. März 2023

DOI: https://doi.org/10.1038/s41598-023-31355-8

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.