НЕЙРОННАЯ СЕТЬ ВЕКТОРНОГО КВАНТОВАНИЯ КАК ИНСТРУМЕНТ ПРОГНОЗИРОВАНИЯ ИСХОДОВ СПОРТИВНЫХ СОБЫТИЙ

АННОТАЦИЯ

Статья рассматривает особенности обучения и использования нейронной сети векторного квантования, в качестве инструмента прогнозирования спортивного поединка в одном из видов единоборств. Описаны структура нейронной сети и алгоритмы обучения, приведены результаты экспериментов. Рассмотрен ряд перспектив дальнейшей работы в данном направлении.

Ключевые слова: нейронная сеть векторного квантования, нейрон, слой, алгоритм обучения, спортивное прогнозирование, конкурентный слой

Развитие спорта и физической культуры предполагает вовлечение в спортивную сферу, в той или иной мере других областей и сфер жизни человека, включая информационно-компьютерные технологии и технологии искусственного интеллекта.

Одним из обязательных аспектов спорта высших достижений является спортивное планирование и прогнозирование [1]. В качестве технологий, применяемых в этой области, могут выступать специализированные программные средства, специализированные системы моделирования, экспертные системы и системы на основе искусственных нейронных сетей [2]. Прогнозирование в спорте имеет широкий диапазон применения, начиная от непосредственного прогнозирования определенного спортивного события, заканчивая прогнозированием тенденций изменения результата спортсмена на этапах спортивной карьеры. Результаты прогноза могут быть полезны различным наборам спортивных функционеров.

Аспирантами и магистрантами ВятГУ производится тестирование прототипа системы [3] на основе нейронных сетей, предназначенное для прогнозирования различных категорий спортивных результатов.  

Прогнозирование исходов единоборств и спортивных матчей, как правило, привлекает представителей букмекерских контор, однако может быть важным и для представителей тренерских штабов, методистов и менеджеров. В качестве нейронной сети, прогнозирующей подобные результаты спортивных событий, в данной статье, описывается нейронная сеть векторного квантования (LVQ), демонстрирующая в этом виде прогнозирования определенные результаты [2].

Структура LVQ-сети приведена на рисунке 1.

Рисунок 1. Структура LVQ сети

LVQ-сеть имеет два слоя: конкурирующий и линейный. Конкурирующий слой выполняет кластеризацию векторов, а линейный слой соотносит кластеры с целевыми классами. Классами в данном случае являются возможные исходы спортивного события.

На каждый целевой кластер или целевой класс в конкурирующем и линейном слое приходится один нейрон. Конкурирующий слой способен поддержать до S1 кластеров, которые соотносятся с S2 целевыми классами. S2 в данном случае не превышает S1.

Элементы вектора a1 нулевые, кроме единичного элемента в i-той строке. Данный элемент однозначно выберет i-й столбец матрицы весов LW21 в качестве выхода сети. Каждый столбец содержит единственный элемент равный 1. Именно данный элемент указывает принадлежность к классу.

Кластер с номером 1 из слоя 1 может быть отнесен, в зависимости от значения произведения LW21*a1, к различным классам. Поскольку заранее известно, как кластеры первого слоя соотносятся с целевыми классами второго слоя, то это позволяет заранее задать элементы матрицы весов LW21. Чтобы найти правильный кластер для каждого вектора обучающего множества, выполняется процедура обучения нейронной сети векторного квантования сигналов.

Нейронная сеть LVQ обучается алгоритмом LVQ2.1 [4] и является частью подсистемы, разработанной в среде MATLAB.

В качестве прогнозируемого события выбран поединок по виду спорта бокс, за титул чемпиона Мира по версии WBO в полутяжелой весовой категории между Сергеем Ковалевым (Россия) и Энтони Ярдом (Великобритания), прошедшим в Челябинске 24.08.2019.

Обучающая выборка составлена на основе открытой статистике обоих боксеров, имеющейся в сети Интернет [6]. Обучающая выборка состояла из векторов, каждый из которых соответствовал некоторому классу (победа первого боксера (1), или победа второго боксера (2)). Вектор условно состоял из двух частей, при этом первая часть это данные первого спортсмена, включая антропометрические и статистические параметры, а вторая часть – аналогичные данные второго спортсмена.

Фрагмент обучающей выборки приведен на рисунке 2.

Рисунок 2. Фрагмент обучающей выборки

Результаты экспериментов с различными структурами нейронной сети векторного квантования приведены в таблице 1.

Таблица 1.

Результаты экспериментов

По мере укрупнения структуры нейронной сети, нейронная сеть в большинстве экспериментов дает прогноз, в виде вектора (1,0), означающего победу Сергея Ковалева, данный прогноз верен. Сергей Ковалев одержал победу нокаутом в 11-ом раунде [5].

В зависимости от известных данных, обучающий вектор в будущем можно увеличивать за счет параметров боксера, известных тренерскому штабу. Количество классов, т.е. исходов можно увеличивать, детализируя то или иное событие. Консультация с экспертами в определённых видах спорта позволит выделять наиболее значимые для конкретной дисциплины параметры, которые могут влиять на результат прогноза.

Модуль подсистемы, содержащий LVQ сеть, разработан в системе MATLAB и занимает 118,3 Кб на жестком диске. Рекомендуемые системные требования к ПК: Intel Core i3, 1,7 ГГц, оперативная память от 1 Гб, от 200 Мб свободного места на жестком диске, ОС Windows XP/7/8/10 и выше.

Система дорабатывается и тестируется. Планируется дальнейшая аппаратная и программная ее реализация и внедрение в спортивные сообщества, с целью дополнительного тестирования и последующего массового использования.

Список литературы:

1. Губа В. П.. Основы спортивной подготовки: методы оценки и прогнозирования (морфобиомеханический подход / М.: Советский спорт, 2012. – 384 с. [Электронный ресурс]. – URL: http://biblioclub.ru/index.php?page=book&id=210423 (дата обращения:12.08.2019)
2. Крутиков А.К., Подковырин В.Д. Компьютерные технологии и технологии искусственного интеллекта как инструмент прогнозирования спортивных результатов в легкой атлетике - Актуальные проблемы и современные тенденции развития легкой атлетики в России и в мире: материалы Всероссийской научно-практической конференции с международным участием, посвященная памяти профессора Г.В. Цыганова (24 мая 2019 года). – Казань: Поволжская ГАФКСиТ, 2019. –256-261 с.
3. Крутиков А.К. Особенности обучения нейронной сети векторного квантования при разработке специализированного программного модуля - Южно-Сибирский научный вестник. – 2019. – № 2. – с. 150-154.
4. Нейронная сеть Кохонена. Сети векторного квантования [Электронный ресурс] - URL: http://www.machinelearning.ru/wiki/index.php?title=SOM  (дата обращения:12.08.2019)
5. Сергей Ковалев vs Энтони Ярд [Электронный ресурс] - URL: https://ru.wikipedia.org/wiki/Сергей_Ковалев_-_Энтони_Ярд (дата обращения:01.09.2019)
6. Рейтинги Boxrec [Электронный ресурс] - URL: https://boxrec.com/ru/ratings (дата обращения: 23.08.2019)