我國的冰球運(yùn)動(dòng)隨著2022年冬奧會(huì)的成功申辦迎來了新的發(fā)展,冰球運(yùn)動(dòng)員的日常訓(xùn)練、實(shí)戰(zhàn)比賽等都會(huì)產(chǎn)生大量的信息,如何在龐雜的信息中發(fā)現(xiàn)隱藏的本質(zhì),制定合理且科學(xué)的教學(xué)和訓(xùn)練計(jì)劃,是各級教練員尤為關(guān)注的問題。本文設(shè)計(jì)了基于數(shù)據(jù)挖掘的冰球教練輔助系統(tǒng),同時(shí)重點(diǎn)研究了離群運(yùn)動(dòng)員識(shí)別、運(yùn)動(dòng)員離群原因分析等關(guān)鍵技術(shù),以實(shí)現(xiàn)系統(tǒng)對冰球運(yùn)動(dòng)員成績進(jìn)行高效且科學(xué)的分析。本文主要研究內(nèi)容如下:（1）分析冰球教練輔助系統(tǒng)的需求,給出系統(tǒng)的總體框架和系統(tǒng)功能設(shè)計(jì),對系統(tǒng)各模塊的功能設(shè)計(jì)進(jìn)行詳細(xì)說明,并詳細(xì)介紹系統(tǒng)所涉及的關(guān)鍵技術(shù)。（2）研究基于改進(jìn)LOF的離群運(yùn)動(dòng)員識(shí)別算法,該算法分為獲取初步離群數(shù)據(jù)集和離群數(shù)據(jù)識(shí)別兩階段。算法首先使用OPTICS聚類算法對原始數(shù)據(jù)集預(yù)處理,獲取初步離群數(shù)據(jù)集。在度量數(shù)據(jù)對象之間的距離時(shí),通過去一劃分信息熵增量確定不同屬性項(xiàng)的權(quán)重。然后針對P權(quán)值只能檢測單一類型的離群數(shù)據(jù),將其結(jié)合LOF算法的思想,用P權(quán)值替代LOF算法中的可達(dá)距離,提高離群數(shù)據(jù)檢測的精確度。通過實(shí)驗(yàn)對算法進(jìn)行驗(yàn)證,結(jié)果表明該算法可以提高計(jì)算局部離群因子的效率和對離群數(shù)據(jù)識(shí)別的精確度。（3）研究基于遺傳算法... 

【文章來源】：南京航空航天大學(xué)江蘇省211工程院校

【文章頁數(shù)】：87 頁

【學(xué)位級別】：碩士

【部分圖文】：

不同密度的聚類簇由于冰球比賽數(shù)據(jù)的分布是不均勻的，離群運(yùn)動(dòng)員識(shí)別技術(shù)的目的在于發(fā)現(xiàn)離群運(yùn)動(dòng)員，

mii 1 iP N ， 2 1 21 1, , , N ,mi iP N N N N +，則去一劃分信息熵增( ) ( ) ( )i N E N E P示集合 N 去除iN 后的信息熵變化， ( )i N越大說明將iN 去除后。式中 E ( P )的計(jì)算公式為：( ) ( ( )) ( ( ))1 21 2P PE P E P E PN N+ 對象分別為 ( )1 2, ,mp p p p ， ( )1 2, ,mq q q q ，它們之間的于去一劃分信息熵增量的加權(quán)距離定義為：( ) ( ) ( )1, * ,mi i iidist p q N d p q 據(jù)集的生成聚類后生成以可達(dá)距離為縱坐標(biāo)，原始數(shù)據(jù)集數(shù)據(jù)對象輸出次所示，可達(dá)圖代表了 OPTICS 算法的聚類結(jié)果。

南京航空航天大學(xué)全日制專業(yè)學(xué)位碩士學(xué)位論文確性。準(zhǔn)確度是指離群數(shù)據(jù)檢測算法結(jié)果的前 個(gè)數(shù)據(jù)中算公式如下：0| R|Precisionm映出離群數(shù)據(jù)檢測算法的有效性，但是當(dāng)不同算法的準(zhǔn)群數(shù)據(jù)檢測算法結(jié)果中的離群數(shù)據(jù)更靠前。設(shè)運(yùn)行結(jié)果 mL 表示 中第m 個(gè)點(diǎn)的位置，則排序度計(jì)算方式如下( )112nmmn nRankPowerL+ 數(shù)據(jù)集包括 1 個(gè)模擬數(shù)據(jù)集、2 個(gè) UCI 數(shù)據(jù)集和冰球比示，數(shù)據(jù)集內(nèi)包括兩個(gè)密度不同的聚類簇和離群點(diǎn)。其0 個(gè)，黑色三角代表的離群點(diǎn)共 10 個(gè)。

【參考文獻(xiàn)】：
期刊論文
[1]基于模糊關(guān)聯(lián)規(guī)則的海量數(shù)據(jù)挖掘方法研究[J]. 毛曉菊.  微電子學(xué)與計(jì)算機(jī). 2018(02)
[2]改進(jìn)的DBSCAN聚類和LAOF兩階段混合數(shù)據(jù)離群點(diǎn)檢測方法[J]. 石鴻雁,馬曉娟.  小型微型計(jì)算機(jī)系統(tǒng). 2018(01)
[3]一種基于快速k-近鄰的最小生成樹離群檢測方法[J]. 朱利,邱媛媛,于帥,原盛.  計(jì)算機(jī)學(xué)報(bào). 2017(12)
[4]基于層次分析法的加權(quán)力線竊電檢測方法[J]. 王毅,丁力,侯興哲,孫洪亮,鄭可,葉君,李松濃.  科學(xué)技術(shù)與工程. 2017(33)
[5]基于局部密度的快速離群點(diǎn)檢測算法[J]. 鄒云峰,張昕,宋世淵,倪巍偉.  計(jì)算機(jī)應(yīng)用. 2017(10)
[6]一種基于多標(biāo)記的局部離群點(diǎn)檢測算法[J]. 錢景輝,梁棟.  微電子學(xué)與計(jì)算機(jī). 2017(10)
[7]一種改進(jìn)的LOF異常點(diǎn)檢測算法[J]. 周鵬,程艷云.  計(jì)算機(jī)技術(shù)與發(fā)展. 2017(12)
[8]一種改進(jìn)的局部離群數(shù)據(jù)檢測算法[J]. 段培永,崔沖,張潔玨.  黑龍江大學(xué)自然科學(xué)學(xué)報(bào). 2017(04)
[9]基于混合式聚類算法的離群點(diǎn)挖掘在異常檢測中的應(yīng)用研究[J]. 尹娜,張琳.  計(jì)算機(jī)科學(xué). 2017(05)
[10]基于多種支撐點(diǎn)的度量空間離群檢測算法[J]. 許紅龍,唐頌,毛睿,沈婧,劉剛,陳國良.  計(jì)算機(jī)學(xué)報(bào). 2017(12)



本文編號(hào)：3617403