冰球教练辅助系统的研究与实现
发布时间：2022-02-09 17:42
我国的冰球运动随着2022年冬奥会的成功申办迎来了新的发展,冰球运动员的日常训练、实战比赛等都会产生大量的信息,如何在庞杂的信息中发现隐藏的本质,制定合理且科学的教学和训练计划,是各级教练员尤为关注的问题。本文设计了基于数据挖掘的冰球教练辅助系统,同时重点研究了离群运动员识别、运动员离群原因分析等关键技术,以实现系统对冰球运动员成绩进行高效且科学的分析。本文主要研究内容如下:（1）分析冰球教练辅助系统的需求,给出系统的总体框架和系统功能设计,对系统各模块的功能设计进行详细说明,并详细介绍系统所涉及的关键技术。（2）研究基于改进LOF的离群运动员识别算法,该算法分为获取初步离群数据集和离群数据识别两阶段。算法首先使用OPTICS聚类算法对原始数据集预处理,获取初步离群数据集。在度量数据对象之间的距离时,通过去一划分信息熵增量确定不同属性项的权重。然后针对P权值只能检测单一类型的离群数据,将其结合LOF算法的思想,用P权值替代LOF算法中的可达距离,提高离群数据检测的精确度。通过实验对算法进行验证,结果表明该算法可以提高计算局部离群因子的效率和对离群数据识别的精确度。（3）研究基于遗传算法...
【文章来源】：南京航空航天大学江苏省211工程院校
【文章页数】：87 页
【学位级别】：硕士
【部分图文】：
不同密度的聚类簇由于冰球比赛数据的分布是不均匀的，离群运动员识别技术的目的在于发现离群运动员，
mii 1 iP N ， 2 1 21 1, , , N ,mi iP N N N N +，则去一划分信息熵增( ) ( ) ( )i N E N E P示集合 N 去除iN 后的信息熵变化， ( )i N越大说明将iN 去除后。式中 E ( P )的计算公式为：( ) ( ( )) ( ( ))1 21 2P PE P E P E PN N+ 对象分别为 ( )1 2, ,mp p p p ， ( )1 2, ,mq q q q ，它们之间的于去一划分信息熵增量的加权距离定义为：( ) ( ) ( )1, * ,mi i iidist p q N d p q 据集的生成聚类后生成以可达距离为纵坐标，原始数据集数据对象输出次所示，可达图代表了 OPTICS 算法的聚类结果。
南京航空航天大学全日制专业学位硕士学位论文确性。准确度是指离群数据检测算法结果的前 个数据中算公式如下：0| R|Precisionm映出离群数据检测算法的有效性，但是当不同算法的准群数据检测算法结果中的离群数据更靠前。设运行结果 mL 表示 中第m 个点的位置，则排序度计算方式如下( )112nmmn nRankPowerL+ 数据集包括 1 个模拟数据集、2 个 UCI 数据集和冰球比示，数据集内包括两个密度不同的聚类簇和离群点。其0 个，黑色三角代表的离群点共 10 个。
【参考文献】：
期刊论文
[1]基于模糊关联规则的海量数据挖掘方法研究[J]. 毛晓菊. 微电子学与计算机. 2018(02)
[2]改进的DBSCAN聚类和LAOF两阶段混合数据离群点检测方法[J]. 石鸿雁,马晓娟. 小型微型计算机系统. 2018(01)
[3]一种基于快速k-近邻的最小生成树离群检测方法[J]. 朱利,邱媛媛,于帅,原盛. 计算机学报. 2017(12)
[4]基于层次分析法的加权力线窃电检测方法[J]. 王毅,丁力,侯兴哲,孙洪亮,郑可,叶君,李松浓. 科学技术与工程. 2017(33)
[5]基于局部密度的快速离群点检测算法[J]. 邹云峰,张昕,宋世渊,倪巍伟. 计算机应用. 2017(10)
[6]一种基于多标记的局部离群点检测算法[J]. 钱景辉,梁栋. 微电子学与计算机. 2017(10)
[7]一种改进的LOF异常点检测算法[J]. 周鹏,程艳云. 计算机技术与发展. 2017(12)
[8]一种改进的局部离群数据检测算法[J]. 段培永,崔冲,张洁珏. 黑龙江大学自然科学学报. 2017(04)
[9]基于混合式聚类算法的离群点挖掘在异常检测中的应用研究[J]. 尹娜,张琳. 计算机科学. 2017(05)
[10]基于多种支撑点的度量空间离群检测算法[J]. 许红龙,唐颂,毛睿,沈婧,刘刚,陈国良. 计算机学报. 2017(12)
本文编号：3617403
【文章来源】：南京航空航天大学江苏省211工程院校
【文章页数】：87 页
【学位级别】：硕士
【部分图文】：
不同密度的聚类簇由于冰球比赛数据的分布是不均匀的，离群运动员识别技术的目的在于发现离群运动员，
mii 1 iP N ， 2 1 21 1, , , N ,mi iP N N N N +，则去一划分信息熵增( ) ( ) ( )i N E N E P示集合 N 去除iN 后的信息熵变化， ( )i N越大说明将iN 去除后。式中 E ( P )的计算公式为：( ) ( ( )) ( ( ))1 21 2P PE P E P E PN N+ 对象分别为 ( )1 2, ,mp p p p ， ( )1 2, ,mq q q q ，它们之间的于去一划分信息熵增量的加权距离定义为：( ) ( ) ( )1, * ,mi i iidist p q N d p q 据集的生成聚类后生成以可达距离为纵坐标，原始数据集数据对象输出次所示，可达图代表了 OPTICS 算法的聚类结果。
南京航空航天大学全日制专业学位硕士学位论文确性。准确度是指离群数据检测算法结果的前 个数据中算公式如下：0| R|Precisionm映出离群数据检测算法的有效性，但是当不同算法的准群数据检测算法结果中的离群数据更靠前。设运行结果 mL 表示 中第m 个点的位置，则排序度计算方式如下( )112nmmn nRankPowerL+ 数据集包括 1 个模拟数据集、2 个 UCI 数据集和冰球比示，数据集内包括两个密度不同的聚类簇和离群点。其0 个，黑色三角代表的离群点共 10 个。
【参考文献】：
期刊论文
[1]基于模糊关联规则的海量数据挖掘方法研究[J]. 毛晓菊. 微电子学与计算机. 2018(02)
[2]改进的DBSCAN聚类和LAOF两阶段混合数据离群点检测方法[J]. 石鸿雁,马晓娟. 小型微型计算机系统. 2018(01)
[3]一种基于快速k-近邻的最小生成树离群检测方法[J]. 朱利,邱媛媛,于帅,原盛. 计算机学报. 2017(12)
[4]基于层次分析法的加权力线窃电检测方法[J]. 王毅,丁力,侯兴哲,孙洪亮,郑可,叶君,李松浓. 科学技术与工程. 2017(33)
[5]基于局部密度的快速离群点检测算法[J]. 邹云峰,张昕,宋世渊,倪巍伟. 计算机应用. 2017(10)
[6]一种基于多标记的局部离群点检测算法[J]. 钱景辉,梁栋. 微电子学与计算机. 2017(10)
[7]一种改进的LOF异常点检测算法[J]. 周鹏,程艳云. 计算机技术与发展. 2017(12)
[8]一种改进的局部离群数据检测算法[J]. 段培永,崔冲,张洁珏. 黑龙江大学自然科学学报. 2017(04)
[9]基于混合式聚类算法的离群点挖掘在异常检测中的应用研究[J]. 尹娜,张琳. 计算机科学. 2017(05)
[10]基于多种支撑点的度量空间离群检测算法[J]. 许红龙,唐颂,毛睿,沈婧,刘刚,陈国良. 计算机学报. 2017(12)
本文编号：3617403
本文链接：https://www.wllwen.com/jiaoyulunwen/tylw/3617403.html
