The invention discloses a pole vault training method, which comprises the following steps: Step 1: get the key parts of a human body movement in the process of pole vault; step 2: multiple trajectory feature extraction; step 3: the feature vectors and the characterization of the bar's success was merged into a new feature vector; step 4 the estimate method of NP, F, CR initialization parameters, randomly generated initial population; step 5: calculate the hidden layer output matrix output weights and output weights the corresponding root mean square error, root mean square error as the fitness index; step 6: mutation and crossover operation to obtain a new individual; step 7: according to the number of iterations to determine whether to continue the training model; step 8: using the test samples to test the model, the final completion of the pole vault training model construction and the use of the model This method can quickly and effectively find out the problem of training, so as to correct the non standard technical movements of the athletes.
【技术实现步骤摘要】
一种撑杆跳运动训练方法
本专利技术涉及运动训练
,特别涉及一种撑杆跳运动训练方法。
技术介绍
撑杆跳高是田径项目中技术最为复杂的项目之一。在撑杆跳高运动中,起跳、团身、过杆是几个比较重要的基础技术。要想越过横杆,运动员必须通过助跑起跳获得一定的动能,在团身阶段完成空中动作以致过杆。起跳团身动作完成的好坏直接影响着运动员能否成功过杆。在起跳、团身、过杆过程中,运动员的速度、腾起角、运动轨迹、位置以及与横杆的距离是非常重要的。我国撑杆跳高运动成绩目前提高较快,但整体水平一直落后于世界,在亚洲的成绩排名也不理想。就身体素质而言,我国撑杆跳高运动员与外国世界顶级撑杆跳高运动员并不存在明显的差异。那么影响我国运动员成绩的客观因素,首推就是竞技的战术水平了。而起跳、团身、过杆技术则成为了撑杆跳高战术提高的非常重要的方面。目前,ToshihikoFukushima等人利用撑杆跳高机器人,研究了在杆上更积极主动的团身,能改善撑杆跳高成绩。GuanyuLiu等人提出了通过动力学优化控制模型,结合测量的相关参数,来对撑杆跳高运动员的表现做分析,并表明了握杆高度,起跳角度以及撑杆的柔性度与撑杆跳高成绩的关系。SatoshiNishikawa等人利用机器人研究了撑杆跳高过程中有效的摆动时机。上述对撑杆跳高的研究要么只考虑了某一个环节,要么忽略了人体在杆上具体的动作形态。因此如何提出有效的训练模型非常重要。
技术实现思路
本专利技术提供了一种撑杆跳运动训练方法,实现了依据运动员的运动轨迹判定过杆成功与否,从而实现了对起跳过杆过程的指导,有效提高训练效果。一种撑杆跳运动训练方法,包 ...
【技术保护点】
一种撑杆跳运动训练方法,其特征在于,包括以下步骤:步骤1:获取撑杆跳过程中人体关键部位运动轨迹;步骤2:将步骤1得到的多个运动轨迹提取特征向量;步骤3:将步骤2获得的特征向量以及表征过杆成功与否的量合并成新的特征向量,作为训练样本,得到N个训练样本,设激励函数为g(x),最大迭代次数Gmax以及隐层节点的个数L;步骤4:采用经验值估计法初始化正则极速学习机单隐藏层前馈神经网络中的参数NP、F、CR,参数NP指组成初始种群的个体个数,参数F是指变异操作的缩放因子,CR是交叉运算的交叉概率,CR∈[0,1];随机生成初始种群,初始种群为x(t)={ai,bi},其中ai=[ai1,ai2,…,ain]是连接第i个隐层节点的输入权值,其中ai向量表达式中的下标n表示每个输入样本的维数,bi是第i个隐层节点的偏差,ai、bi中的下标i取值为1到L,L如步骤3中所述表示隐层节点的个数;步骤5:对于每个种群,计算隐层输出矩阵得到输出权值以及输出权值所相应的均方根误差,均方根误差作为适应度指标;步骤6:种群中的个体先进行变异得到g+1代个体vi(g+1),再进行交叉运算获得g+1代新个体ui(g+1 ...
【技术特征摘要】
1.一种撑杆跳运动训练方法,其特征在于,包括以下步骤:步骤1:获取撑杆跳过程中人体关键部位运动轨迹;步骤2:将步骤1得到的多个运动轨迹提取特征向量;步骤3:将步骤2获得的特征向量以及表征过杆成功与否的量合并成新的特征向量,作为训练样本,得到N个训练样本,设激励函数为g(x),最大迭代次数Gmax以及隐层节点的个数L;步骤4:采用经验值估计法初始化正则极速学习机单隐藏层前馈神经网络中的参数NP、F、CR,参数NP指组成初始种群的个体个数,参数F是指变异操作的缩放因子,CR是交叉运算的交叉概率,CR∈[0,1];随机生成初始种群,初始种群为x(t)={ai,bi},其中ai=[ai1,ai2,…,ain]是连接第i个隐层节点的输入权值,其中ai向量表达式中的下标n表示每个输入样本的维数,bi是第i个隐层节点的偏差,ai、bi中的下标i取值为1到L,L如步骤3中所述表示隐层节点的个数;步骤5:对于每个种群,计算隐层输出矩阵得到输出权值以及输出权值所相应的均方根误差,均方根误差作为适应度指标;步骤6:种群中的个体先进行变异得到g+1代个体vi(g+1),再进行交叉运算获得g+1代新个体ui(g+1),按照下述公式选取有竞争力的个体作为下一代种群(此种群称为交叉变异后的种群)的个体,其中,E(·)为步骤5中的适应度指标;步骤7:根据迭代次数判断是否继续进行模型训练,若在迭代次数范围内则重复步骤5和步骤6,直至目标完成得到撑杆跳运动训练模型,若超过设定的迭代次数范围则获得输出权值完成训练;步骤8:采用测试样本对步骤7获得的模型进行测试,最终完成撑杆跳运动训练模型构建并使用该模型进行训练。2.如权利要求1所说的撑杆跳运动训练方法,其特征在于,步骤1中,获取撑杆跳过程中人体关键部位运动轨迹的具体步骤如下:1-1在运动员的两髋、左脚踝、左膝盖附着标记点;1-2采集标记点运动轨迹,共采集n组,其中过杆成功轨迹n1组,过杆失败轨迹n2组,其中n1+n2=n;1-3将步骤1-2采集的n组发球运动轨迹分成两组:训练组和测试组。3.如权利要求1所说的撑杆跳运动训练方法,其特征在于,步骤2中,由步骤1采集的多个运动轨迹提取特征向量过程如下:2-1记录脚踝在世界坐标系垂直方向Y轴的y轨迹的极小值点,作为起跳点,设其坐标为(xmin,ymin,zmin),并记录起跳点后y轨迹达到的第一个极大值点的坐标为(xmax,ymax,zmax);2-2将两髋的运动轨迹连线中点作为两髋中心点的运动轨迹,以此来近似拟合人体重心的运动轨迹;2-3计算起跳点后的两帧重心位置在世界坐标系X,Y,Z方向的位移和两帧间的时间间隔的比值,作为起跳点处运动员在Y轴方向的速度X轴方向的速度和Z轴上的速度按下述公式计算起跳点对应的腾起角θ1:将和θ1作为起跳时的特征;2-4计算左膝盖处的标记点与人体重心的距离,当该距离达到...
【专利技术属性】
技术研发人员:汪亚明,韩永华,李斌权,
申请(专利权)人:浙江理工大学,
类型:发明
国别省市:浙江,33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。