文摘
为了提高羽毛球后场中风的规划能力,本研究设计了一种基于深度学习羽毛球后场行程线路规划方法。首先,运动轨迹自适应学习方法的原语用于设计打线空间节点和路径,以构造最短的分布式网格结构模型线。然后,击球路线规划的约束参数进行了分析,然后击球位置球员的姿势控制根据节点定位和最短路径优化部署。最后,路线规划过程的自适应优化模型相结合,实现深度学习的方法。仿真结果表明,该控制方法具有良好的学习能力和良好的收敛性能和提高羽毛球后场击球线路规划的可靠性。
1。介绍
羽毛球的普及培训,提出更高的要求,高效的羽毛球训练和针对性。改善效果的关键因素的羽毛球训练是羽毛球后场中风线规划。有必要建立一个优化的羽毛球后场中风线规划模型,结合羽毛球后场中风的优化控制方法,采用人工智能学习算法,实现羽毛球后场中风的规划和设计,并提高羽毛球后场的稳定性和可靠性中风,和相关的设计羽毛球后场中风线规划模型具有重要意义在指导羽毛球的最佳训练能力(1]。
国家经济发展水平的稳步提高和社会的不断进步,羽毛球越来越深受大众喜爱。羽毛球有伟大的体育优势。它是不受限制的站点。此外,它不需要任何体育投资成本。任何打开的地方可以促进人们的运动,只要一副球拍,一个球。此外,羽毛球也非常有助于锻炼人的耐力和控制。它还可以移动各种人体的关节,这是非常有利于增强体质。然而,尽管中国羽毛球已经成为一个受欢迎的健身运动,没有运动要求普通羽毛球爱好者,专业羽毛球运动员需要有很强的专业技能。他们发现通过许多调查和实践。multiball培训的使用可以极大地促进提高羽毛球运动员的专业技能(1]。
在传统的方法中,智能规划方法羽毛球后场中风线主要包括羽毛球后场中风线规划方法基于小世界模型(2]。通过构造羽毛球后场中风线规划的网格模型,结合空间网格优化,羽毛球后场中风线规划和设计实现。根据羽毛球后场中风的方法行基于蚁群优化(3),羽毛球后场中风的智能规划和设计线是基于节点定位和路径优化的控制羽毛球后场中风,和设计是实现通过智能规划算法。和羽毛球后场中风行规划方法基于模糊PID (4)使用最短路径优化和空间参数估计,结合双层规划方法,实现羽毛球后场中风线规划。约书亚et al。5]研究了运动的顶级国际模式中男性和女性的羽毛球运动员BMF世界锦标赛。挂et al。6)着陆策略应用于羽毛球步法的训练。伊森et al。7]分析了反手中风的前摄干扰对学习的影响。
然而,上述传统方法的自适应优化能力羽毛球后场中风线规划不好,和空间定位能力不强。因此,针对上述问题,本文提出一种方法基于深度学习羽毛球后场的计划行程路线。首先,原始轨迹运动自适应学习方法用于羽毛球后场打线的规划和设计空间节点和路径。此外,分段路线优化控制方法用于定位和最短路径的节点优化部署的羽毛球后场打线。然后,通过使用垂直模型测量和建模方法,羽毛球后场打线的图模型设计实现。此外,羽毛球后场击球位置和运动员的姿势进行线性迭代最优控制。结合深度学习方法,自适应优化羽毛球后场击球路线规划和目标的运动路径规划和设计的位置被逮捕。最后,进行仿真试验分析,显示了该方法的性能优越在改善羽毛球后场中风线规划的能力。
2。羽毛球后场击球线分布网格模型和参数分析
2.1。羽毛球后场击球线分布的网格模型
为了实现羽毛球后场中风线规划基于深度学习,原始轨迹运动自适应学习方法用于计划和设计羽毛球后场中风线空间节点和路径。首先,羽毛球后场中风线分布网格模型(8,9],节点位置分布的羽毛球后场中风了,如图1。
根据节点位置分布的羽毛球后场中风如图1,优化参数的最短路径分析模型羽毛球后场中风的线计划是由使用空间path-distributed重组和优化控制方法。根据运动员的几何描述和环境(10),羽毛球后场中风的目标节点优化线计划进行(11];根据智能规划的羽毛球后场打线,节点传输负载 在哪里代表羽毛球后场中风线规划的目标函数是当地最优参数组羽毛球后场中风线分布。使用牛顿梯度下降算法,羽毛球后场中风的参数估计和优化设计线智能规划进行(12]。获得,随机参数的分布在羽毛球后场中风线路配置空间
结合随机参数分布结果,最短路径优化从初始节点到目标节点的参数进行了分析,并获得路径参数的线性规划模型: 在哪里代表了翻译的目标节点的路径位置。在微分流形上,根据随机参数空间形状的分析,羽毛球后场打线的路径优化智能规划进行,和路径优化方程
最短路径优化方法用于设计的自适应空间参数羽毛球后场中风线规划,和节点分布的最优解 , ,和羽毛球后场中风的线表示为
采用分段路线优化控制方法设计羽毛球后场击球线分布网格模型,并采用最短路径规划设计获得羽毛球后场击球线最短分布网格结构模型,如图2。
总之,以最短路径为优化目标函数和使用原始轨迹运动自适应学习方法,羽毛球后场击球线节点和路径空间规划和设计实现的网格结构模型,以提高路线规划的能力。
2.2。分析羽毛球后场击球路线规划的约束参数
采用视觉伺服运动路线优化控制方法进行节点定位和最短路径的优化部署羽毛球后场击球路线。在节点坐标系下,羽毛球后场击球的约束参数优化分布路线规划 。在配置空间从最初的姿势羽毛球后场击球,羽毛球后场击球的线参数估计模型。它的表达式是 在哪里和 ,分别代表最短的距离分布和构成羽毛球后场打线的距离获得通过使用深度相机。 在哪里代表羽毛球后场的深度学习融合特性分布设置优化和中风线 代表最短的羽毛球后场中风的融合参数线。
结合空间三维信息采样方法,深度学习梯度羽毛球后场击球路线规划功能 在哪里和代表最短的距离和平均分布的位置距离羽毛球后场打线,分别。使用的方法测量和建模,三维模型的图模型设计羽毛球后场触及电路实现(13]。羽毛球后场特征分布函数的电路 , ,和 。根据每个深度投影对应一个可编程的羽毛球后场中风线,线空间规划的模糊控制方程得到: 在哪里年代代表了羽毛球后场击球线和定位误差C代表羽毛球后场击球线路规划的优化参数。
羽毛球后场中风线过程中运动,羽毛球后场中风的起点线 ,每个点的法向量T。
根据上述分析,羽毛球后场中风线规划的优化参数,以定位羽毛球后场中风线和部署的节点的最短路径的优化。
3所示。羽毛球后场行程路线规划的优化模型
3.1。深度学习羽毛球后场中风的路线规划
根据羽毛球后场中风的约束参数的分析结果线规划,结合深度学习方法,智能规划和设计的羽毛球后场中风线进行。鉴于羽毛球后场中风的空间规划矩阵行(14),根据场景的三维点云信息,羽毛球后场中风的误差测量参数线规划 在哪里代表了三维点云点羽毛球后场的场景和信息 代表的评价参数线计划的回应。
在任何 - - - - - -维矩阵一个,结合迭代优化和参数分析,深入学习羽毛球后场中风的控制线路规划实施和深入学习羽毛球后场中风的二次规划模型线规划由N决策变量,表示为
羽毛球后场打线的一种自适应优化模型是由使用双线性规划的方法,即表示为 在哪里代表羽毛球后场中风的模糊隶属函数值线规划和代表羽毛球后场中风的内积参数线方向向量。
通过实验分析,羽毛球后场中风的稳定性参数估计,和平衡点的位置的优化函数,表示为 在哪里τ的位置信息是羽毛球后场中风线规划的过程中,f羽毛球后场中风的模糊状态特征量线分布,然后呢是羽毛球后场中风的时间间隔线优化。
根据优化结果的平衡点的位置,优化深度学习规划函数得到
总之,深入学习羽毛球后场击球线规划优化设计实现,并在此基础上,优化控制设计。
3.2。羽毛球后场行程路线规划的最优控制
基于深度学习羽毛球后场中风的空间参数融合模型线规划、羽毛球后场中风的偏差参数分析模型是分析和实体羽毛球后场中风的预测序列分布线规划表示为
的过程中羽毛球后场打线,持续优化的自适应学习获得近似线优化控制功能:
基于轨迹优化和参数融合方法,羽毛球后场中风线规划的特征参数优化过程被描述为
结合特征参数的结果,讨论根据轨迹学习和数据融合的方法,和羽毛球后场的自由度轨迹线表示为 在哪里是全球传递矩阵。使用两个自由度的学习模式,深度学习羽毛球后场中风的函数 在哪里 和 代表羽毛球后场中风的独立变量和约束变量路径优化控制,分别。
通过融合决策,模糊决策系数 。根据单自由度,惯性跟踪参数的羽毛球后场击球路径模型 在哪里代表羽毛球后场中风路径分布的点集,R代表了一个规范的常数,x代表了可靠性约束参数羽毛球后场中风的路径优化,和y代表的二维空间规划集羽毛球后场中风的道路。它的计算公式是
假设的空间分布羽毛球后场击球路径 。米和N对应的长度和宽度的空间分布羽毛球后场击球路径,和羽毛球后场击球路径规划的最优控制功能
其中,是羽毛球后场的梯度参数中风路径规划。结合深学习方法,最优路径规划控制收敛公式获得: 在哪里 代表了收敛参数集。
总之,线性迭代最优控制进行根据羽毛球后场位置和运动员的姿势,从而实现自适应优化羽毛球后场击球路线规划和目标的运动路径规划和设计的位置。
4所示。仿真实验
为了测试该方法的性能实现羽毛球后场中风路径规划、仿真测试。空间参数的参数设置为羽毛球后场中风 ,实体的数量后场中风的路径规划 ,深度学习的最大迭代次数为250,和自适应学习的系数是0.37。羽毛球后场击球的原始路径在不同的组,如图3。
原来的路径图3实验数据,该方法用于优化羽毛球后场击球位置和运动员的姿势,和优化的路径规划结果如图所示4。
据图分析4的路线规划和自适应优化羽毛球后场中风使用这种方法,可以有效地实现和优化的效果是显而易见的。
为了进一步验证该方法的性能优越,羽毛球后场中风路线规划方法基于小世界模型,羽毛球后场中风基于蚁群优化的路径规划方法,和羽毛球后场行程路线规划方法基于模糊PID作为比较的方法来测试下羽毛球后场行程路线规划的收敛能力不同的方法。对比结果如图5。
上述仿真结果的分析表明,该方法的收敛性能羽毛球后场中风路径规划更好,这显然比其他方法更好。结果表明,该方法具有较强的自适应规划能力羽毛球后场中风路径规划,可以有效改善羽毛球后场中风路径规划的可靠性。
5。结论
在这项研究中,一个优化的羽毛球后场中风线规划模型构建基于深度学习。结合羽毛球后场中风的优化控制方法,人工智能学习算法被用来实现羽毛球后场行程线路规划和设计。原始运动轨迹的自适应学习方法被用于羽毛球后场击球线节点的规划设计和路径空间。此外,优化参数的最短路径分析模型的羽毛球后场击球线计划是建造。此外,分段路线优化控制方法被用来设计羽毛球后场击球线分布的网格模型。深度学习的结合方法和羽毛球后场中风的智能规划线。考虑到空间规划矩阵的羽毛球后场中风,羽毛球后场中风的误差测量参数线规划得到根据场景的三维点云信息,从而实现自适应优化羽毛球后场中风的线路规划和目标的运动路径规划和设计的位置。分析表明,该方法具有良好的自适应优化和控制能力和很强的收敛。
数据可用性
使用的数据来支持本研究的发现可以要求作者。
的利益冲突
作者宣称没有利益冲突。
确认
本文得到了山西省科技部门的项目,研究陀螺车轮的驱动机构耦合人类运动和铰链机制(2011026 - 2)。