ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ПРОГНОЗИРОВАНИЯ И МОДЕЛИРОВАНИЯ ТРЕНИРОВОЧНОГО ПРОЦЕССА В ЛЕГКОЙ АТЛЕТИКЕ

PDF

DOI: https://doi.org/10.14529/hsm18s16

Аннотация

Цель – применение аппарата нейронных сетей позволит спрогнозировать наиболее оптимальные разновидности и объемы тренировочных воздействий для бегунов на 400 м на этапе спортивного совершенствования. Материал и методы. В исследовании принимали участие юноши 18–21 года, специализирующиеся в беге на 400 м, в количестве: 8 человек – I спортивный разряд, 3 человека – кандидаты в мастера спорта. При проведении исследования использовался программный продукт «Нейронная сеть v2.4.2» разработчика Jwsoft.Net. В качестве исходной информации были выбраны восемь показателей каждого спортсмена (n = 10) по месяцам подготовки в годичном цикле 2014/2015 гг., 2015/2016 гг. и 2016/2017 гг. Обучение сети проводилось с использованием алгоритма обратного распространения ошибки. Результаты. Для моделирования физической подготовленности бегунов на 400 м в сезоне 2016/2017 гг. в обученную нейронную сеть были внесены показатели ежемесячных объемов основных средств тренировки, что позволило спрогнозировать соревновательный результат бега на 400 м легкоатлетов I разряда и КМС. Надежность прогноза спортивного результата в годичном цикле подготовки у бегунов на 400 м на этапе спортивного совершенствования составляет 98–99 %. Применение предложенной методики моделирования тренировочного процесса на основе применения нейронной сети позволяет оперативно и своевременно оценить динамику физической подготовленности, что способствует обеспечению надежности и качества прогнозирования спортивного результата на основе запланированных тренирующих воздействий. Заключение. Применение аппарата нейронных сетей позволит определить наиболее оптимальные разновидности и объемы тренировочных воздействий, у тренера появляется инструмент, позволяющий оказать поддержку в принятии эффективных решений по коррекции тренировочного процесса.

Литература

1. Бондарчук, А.П. Управление тренировочным процессом спортсменов высокого класса: моногр. / А.П. Бондарчук. – М.: Олимпия Пресс, 2007. – 272 с.
2. Кривецкий, И.Ю. Создание индивидуальной модели техники прыжка в высоту на основе каскадной нейро-нечеткой сети с целью оптимизации тренировочного процесса / И.Ю. Кривецкий, Г.И. Попов, Н.С. Безруков // Рос. журнал биомеханики. – 2011. – Т. 15, № 3 (53). – С. 71–78.
3. Методические рекомендации по совершенствованию многолетней подготовки спортивного резерва в легкой атлетике / под ред. В.Б. Зеличенока и [др.]. – М.: Центр развития легкой атлетики ИААФ, 2017. – 543 с. – http://la.sportedu.ru/content/metodicheskierekomendatsii-poovershenstvovaniyumnogoletnei-podgotovki-sportivnogo-reze-0-25.03.2018.
4. Нейронная сеть v2.4.2. – http://kazus.ru/programs/viewdownloaddetails/kz_0/lid_13563.html.
5. Парфианович, Е.В. Педагогический опыт применения статистических методов и моделирования в области физического воспитания / Е.В. Парфианович, Е.Н. Бобкова / Актуальные проблемы теории и практики физической культуры, спорта и туризма: материалы V Всерос. науч.-практ. конф. молодых ученых, аспирантов, магистрантов и студентов. – Казань: Поволжская ГАФКСиТ, 2017. – Т. 3. – С. 673–676.
6. Семенова, А.А. Применение нейронных сетей для прогнозирования результатов в спорте. – http://uran.donntu.org/-masters/2006/kita/kornev/library/l15.htm- 15.05.2018.
7. Field, A. Discovering Statistics using SPSS / A. Field. – Washington DC: Sage Publications, 2009. – P. 585–626.
8. Lee, G. Adaptive Dimensionality Reduction with Semi-Supervision (AdReSS): Classifying Multi-Attribute Biomedical Data / G. Lee, D.E.R. Bucheli, A. Madabhushi // PLoS ONE. – 2014. – Vol. 11. – P. 14–16.
9. Hornik K., Stinchcombe М., White H. Multilayer feed forward networks are universal approximators // Artificial Neural Networks [Approximation and Learning Theory]. – Blackwell, Oxford, UK, 2012. – P. 12–28.
10. Leung, K.-S. Data Mining on DNA Sequences of Hepatitis B Virus / K.-S. Leung, K.H. Lee, J.-F. Wang et al. // Transactions on Computing Biology and Bioinformatics. – 2011. – Vol. 8, no. 2. – P. 428–440. – https://doi.org/10.1109/TCBB.2009.6.
11. Leech, N.L. IBM SPSS for Intermediate Statistics / N.L. Leech, K.C. Barett, G.A. Morgan. – 5th ed. – New York and London: [Routledge, Taylor & Francis Group], 2015. – P. 109–143.