我国优秀单板U型场地滑雪运动员竞赛状态焦虑声景预测模型的构建

发布时间：2020-08-21 10:06

【摘要】：运动成绩是运动员多方面能力的综合体现。集强壮的体能、过硬的专业技术、知己知彼的战术、良好的心理与高水平的智力五位于一体的培训方式有助于运动员取得优异的比赛成绩。而当运动员的技战术水平到达个人极限水平时,提升的空间往往不大,此时影响比赛成绩的因素往往是心理因素。赛前与赛中的一切内外界因素都影响着运动员的竞赛焦虑程度,进而影响着比赛成绩的好坏。获得运动员焦虑情况继而对运动员进行心理调控就变得尤其重要。当前运动员的竞赛状态焦虑情况仍然是通过CSAI-2量表来获得。运动员在赛前承受着诸多的压力,并承担着繁重的训练任务,有时很难有时间进行问卷的填写,或在填写问卷时有抵触心理,导致结果不准确等。这些都会影响到运动员竞赛状态焦虑情况的获得,使得工作人员无法准确地对运动员的心理状态进行调控,进而影响着运动员自身的发挥。本研究将声音景观研究引入到运动心理学领域,结合运动员基本信息、主观感受、比赛环境、以及生理机能状态等,采用问卷调查法、测量法、实验法,旨在探索出单板U型场地滑雪运动员的竞赛状态焦虑的影响因素及影响程度,通过人工神经网络对影响因子与竞赛状态焦虑结果进行深度学习与分析,并利用BP平台,采用逻辑回归构建关于单板U型场地滑雪运动员在比赛场地声环境下的竞赛状态焦虑的预测模型,以便今后利用已知的各种因素在不影响运动员的前提下获得其焦虑情况。研究结果:(1)21个指标被选为运动员竞赛状态焦虑预测模型的输入变量,输出的结果则是个人的竞赛状态焦虑程度以及各维度的焦虑水平。(2)17个变量与单板U型场地滑雪运动员的认知状态焦虑均显著相关,声压级、混响时间、声舒适度评价、主观响度与认知状态焦虑不相关。20个变量与运动员的躯体状态焦虑及状态自信心显著或非常显著性相关,混响时间与运动员的躯体状态焦虑及状态自信心不相关。(3)确定了ANN模型的隐藏节点数、迭代次数与训练函数(4)根据ANN模型各参数,将影响因素作为输入因子,竞赛状态焦虑程度作为输出因子,构建了竞赛状态焦虑三种不同分类的ANN模型,同时进一步做出了相对应的分组模型。
【学位授予单位】：哈尔滨体育学院
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：G863.1
【图文】：

标准的三层人工神经元结构原理图

图 2 声景观数据收集、分析与预测流程图2.3.3BP 神经网络的应用在这几十年的发展中，人们对 BP 神经网络的研究不断深入，并不断优化其算法，使得其在信息领域、医学领域、经济领域和心理领域皆有所发展。例如：在信息领域，BP 神经网络利用本身具有很高的容错性的特点在军事电子设备中得到了大量的应用，如自动跟踪监测仪器系统和报警系统等。在经济领域，使用影响商品价格的因素，建立模型，并基于模型预测商品价格的趋势；使用影响农机总动力的因素构建模型，并利用预测出的结果分析农机在未来几年的发展趋势；使用影响房屋价格的因素建立模型，基于模型预测未来房产价格；利用风险来源建立模型，预测风险系数；利用 BP 模型预测船舶柴油机 NOx的排放。在心理学领域，人们改变人工神经网络的结构模型和学习规则，从不同角度探索神经网

（a） （b）图3 ANN模型中训练及检验组的误差(a)与相关系数(b)表5 训练次数和隐藏节点对预测模型的影响训练次数（次） 准确率平均值 隐藏节点（个） 准确率平均值100 0.38 5 0.55200 0.56 10 0.56300 0.67 15 0.56500 0.68 20 0.601000 0.65 25 0.685000 0.56 30 0.644.2.2ANN 模型迭代次数迭代次数是指神经网络对数据的训练次数，训练次数少会导致训练结果不准确，增加训练次数虽然可以减少训练误差，但次数的增多会延

【相似文献】

相关期刊论文 前10条

1 施p

本文编号：2799244