近些年電子競技行業(yè)飛速發(fā)展,現(xiàn)階段電競產(chǎn)業(yè)被劃分為體育產(chǎn)業(yè)的細(xì)分市場。最為流行的電子競技項(xiàng)目受關(guān)注程度也遠(yuǎn)超部分傳統(tǒng)體育項(xiàng)目,同時(shí)電子競技產(chǎn)業(yè)也在朝著專業(yè)體育化的方向發(fā)展變化,這其中數(shù)據(jù)分析起著極其重要的作用。在傳統(tǒng)競技體育中,陣容的構(gòu)建就起著舉足輕重的作用。世界頂級競技體育賽事中都有專業(yè)的數(shù)據(jù)分析團(tuán)隊(duì)進(jìn)行數(shù)據(jù)的采集、處理與分析,從而幫助團(tuán)隊(duì)獲得比賽的勝利。電子競技產(chǎn)業(yè)又區(qū)別于傳統(tǒng)體育行業(yè),其產(chǎn)生的數(shù)據(jù)都易于獲取,客觀且實(shí)時(shí)。根據(jù)以上特點(diǎn)可以采用數(shù)據(jù)挖掘和深度學(xué)習(xí)的方法來輔助玩家制定最佳策略,從而幫助玩家取得比賽的勝利。Dota2作為世界最著名的電子競技項(xiàng)目之一有著廣大的受眾群體與良好的賽事體系。Dota2游戲機(jī)制復(fù)雜、英雄種類繁多、打法豐富多變�；谏鲜鲈�,使得比賽極具觀賞性并且難以預(yù)測最后的獲勝方。因此如何搭配一套最佳的陣容與預(yù)測對陣雙方的勝率成為了一個(gè)亟待解決的問題。為了解決此類問題,之前有學(xué)者研究使用樸素貝葉斯、隨機(jī)森林、支持向量機(jī)等方法做出了大量嘗試,但是由于英雄間存在著相互搭配與克制的復(fù)雜關(guān)系,所以很難取得良好的預(yù)測效果。本文的研究工作包含以下幾個(gè)方面:1)提出了改進(jìn)的雙... 

【文章來源】：河南大學(xué)河南省

【文章頁數(shù)】：82 頁

【學(xué)位級別】：碩士

【部分圖文】：

Dota2地圖概覽

近年來人工智能取得了巨大的發(fā)展，同時(shí)深度學(xué)習(xí)技術(shù)作為人工智能中一項(xiàng)重要的技術(shù)也越來越受到追捧。常見的神經(jīng)網(wǎng)絡(luò)模型有卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)。其中循環(huán)神經(jīng)網(wǎng)絡(luò)模型包括多種變體，如長短期記憶網(wǎng)絡(luò))[40][41]和門循環(huán)單元網(wǎng)絡(luò)等。傳統(tǒng)的 NN(Neural Network, 神經(jīng)網(wǎng)絡(luò))模型結(jié)構(gòu)是通過全連接的方式連接所有的神經(jīng)元，但是這種方式并不能很好的學(xué)習(xí)到輸入數(shù)據(jù)中存在的順序關(guān)系，因此會丟失數(shù)據(jù)中的一些隱藏信息，導(dǎo)致神經(jīng)網(wǎng)絡(luò)訓(xùn)練效果較差。但是循環(huán)神經(jīng)網(wǎng)絡(luò)很好的解決了這一問題。循環(huán)神經(jīng)網(wǎng)絡(luò)通過將數(shù)據(jù)依次輸入到神經(jīng)元中，將之前的計(jì)算結(jié)果加入到當(dāng)前神經(jīng)元的計(jì)算過程中，從而獲取到歷史數(shù)據(jù)。其模型結(jié)構(gòu)圖如圖 2-2 所示。循環(huán)神經(jīng)網(wǎng)絡(luò)是與序列和列表相關(guān)的鏈?zhǔn)浇Y(jié)構(gòu)模型，這種結(jié)構(gòu)能夠最佳的處理具有時(shí)序關(guān)系的數(shù)據(jù)。2.2 神經(jīng)網(wǎng)絡(luò)相關(guān)知識

圖 2-2：循環(huán)神經(jīng)網(wǎng)絡(luò)模型長短時(shí)神經(jīng)網(wǎng)絡(luò)（LSTM）解決了普通循環(huán)神經(jīng)網(wǎng)絡(luò)中出現(xiàn)的梯度消失和梯度爆炸題。因?yàn)槠渥陨砭W(wǎng)絡(luò)結(jié)構(gòu)的特性對時(shí)間序列中間隔和延遲時(shí)間相對較長的事件有著的處理和預(yù)測的效果。該網(wǎng)絡(luò)模型常常應(yīng)用在語音識別、自然語言處理(Neuruage process, NLP)以及文本翻譯等多種應(yīng)用場景中。長短時(shí)神經(jīng)網(wǎng)絡(luò)是循環(huán)神經(jīng)網(wǎng)一個(gè)變種，該神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與循環(huán)神經(jīng)網(wǎng)絡(luò)差別較小，模型結(jié)構(gòu)圖如圖 2-3 所示時(shí)神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)是能緩解普通循環(huán)神經(jīng)網(wǎng)絡(luò)出現(xiàn)的梯度消失和梯度爆炸問題，缺幾個(gè)網(wǎng)絡(luò)層功能有所重復(fù)。

【參考文獻(xiàn)】：
期刊論文
[1]基于Netflow的網(wǎng)絡(luò)安全大數(shù)據(jù)可視化分析[J]. 王全民,韓曉芳.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2019(04)
[2]中國女排職業(yè)聯(lián)賽球隊(duì)競技對抗表現(xiàn)的診斷分析[J]. 杜寧,李毅鈞.  體育學(xué)刊. 2019(01)
[3]基于CNN和B-LSTM的文本處理模型研究[J]. 陳欣,于俊洋,趙媛媛.  輕工學(xué)報(bào). 2018(05)
[4]基于python的Web大數(shù)據(jù)采集和數(shù)據(jù)分析[J]. 肖樂,叢天偉,嚴(yán)衛(wèi).  電腦知識與技術(shù). 2018(22)
[5]基于Selenium的Web自動化測試設(shè)計(jì)[J]. 張洋,俞蔚,張春玲.  電腦知識與技術(shù). 2018(16)
[6]我國優(yōu)秀乒乓球男子單打選手各項(xiàng)戰(zhàn)術(shù)與得失分的灰色關(guān)聯(lián)度分析[J]. 趙喜迎.  北京體育大學(xué)學(xué)報(bào). 2018(04)
[7]第27、28屆亞錦賽中國男籃進(jìn)攻能力的比較研究[J]. 張華,譚賽江.  忻州師范學(xué)院學(xué)報(bào). 2017(02)
[8]情報(bào)改變體育[J]. 沙青青.  競爭情報(bào). 2015(04)
[9]4-2-3-1足球陣型發(fā)展研究[J]. 郭志剛,陳效科,侯學(xué)華.  體育文化導(dǎo)刊. 2014(02)
[10]韓式速推流勝率最高的附屬戰(zhàn)術(shù)[J]. 曹小弋.  電子競技. 2013(17)

碩士論文
[1]運(yùn)用synergy指標(biāo)體系對第31屆里約奧運(yùn)會男籃四強(qiáng)比賽的進(jìn)攻戰(zhàn)術(shù)手段的研究[D]. 嚴(yán)瀚.首都體育學(xué)院 2017
[2]高水平乒乓球男子單打比賽得失分特征與比賽勝負(fù)相關(guān)性研究[D]. 王琥.成都體育學(xué)院 2015
[3]湖北省CUBA球隊(duì)建設(shè)現(xiàn)狀及對策研究[D]. 谷強(qiáng)保.武漢體育學(xué)院 2012



本文編號：3631255