Алгор волейбол: Алгоритм обучения основам волейбола
Волейбол глазами компьютера / Хабр
В прошлой статье я рассказал о своих подходах по распознаванию волейбольного мяча в игре. Задача сама по себе интересная и развивать ее можно в нескольких направлениях.
- Вариант 1 — продолжать исследования (в комментах к прошлой статье мелькали страшные слова SORT, YOLO итд)
- Вариант 2 — найти применение в реальном мире, сделать продукт и показать людям
Исследования от меня никуда не денутся, а вот выпуск на публику ставит совсем другие челленджи.
Проблема
Волейбольная видеоналитика — вполне себе зрелая отрасль, но ориентирована исключительно на профи, ибо не дешево и трудоемко.
У любителей обычно выкладывается запись куда-нибудь вконтакт/ютюб, как правило в сыром виде, без всякого монтажа. Как следствие, в запись попадают перерывы, разминки, споры и прочая тягомотина.
Статистика ведется очень редко и там абсолютный ноль в плане автоматизации.
В идеале хочется, чтобы система:
- Распознавала розыгрыши
- Распознавала элементы игры (подача, первое касание, второе, третье, переход мяча)
- Распознавала людей и собирала по ним статистику
Список можно продолжать и усложнять, но начать надо с малого.
Например, вырезать из всей записи только активные розыгрыши. Этими розыгрышами можно делиться в социальных сетях, использовать при монтаже других роликов, или собрать все вместе, чтобы получить сжатый дайджест всей игры.
В техническом плане есть алгоритм треккинга мяча, на основании которого и будем эти розыгрыши выделять.
Алгоритм который пришлось изрядно доработать (уже несколько раз), так как начальная версия пропускала слишком много шума.
Логика разбиения на розыгрыши максимально простая — 5 секунд мяча не видно, значит сыграли.
Проверка реальностью
Для теста я взял игру со страницы Московской волейбольной лиги.Розыгрышей оказалось многовато, в этой игре алгоритм насчитал 197 розыгрышей, хотя их на самом деле 28.
Вот это считается за розыгрыш:
И не придраться — мяч есть, летит по параболе. А то что короткий — бывает, подача тоже бывает быстрой, особенно если в сетку. Без дополнительного слоя логики здесь не обойтись, запишем на будущее.
Нормальные розыгрыши распознаются корректно, это внушает оптимизм.
Алгоритм генерит страничку с разбором игры, дайджестом и розыгрышами (все можно скачать), у каждого розыгрыша есть gif-превью с треккингом мяча, сразу видно, что распознается, а что нет.
Время обработки видео превышает в три раза длительность игры, все таки opencv+python — не самый производительный вариант, тоже есть куда улучшаться.
Цели и миссия
Поэтому записался на известный курс по стартапам (тоже не буду конкретизировать), и стало понятно, что делаю все неправильно.
Не могу удержаться, чтобы не процитировать, это прямо про меня.
Там еще было, что-то про плохих стартаперов, которые пилят для себя, вместо того, чтобы чутко реагировать на потребности аудитории, это тоже в точку.
Так что по чеклисту полный провал.
Выпуск
Один из важных пунктов цели и миссии, о которых не принято говорить — это возможность (для автора) неограниченно поиграться с технологиями.
На работе приходится в основном таскать рояль, а где еще развернуться с ML, CV и облаками?
Поэтому система работает на Kubernetes, в основном для того, чтобы быстро ее масштабировать (ну так, на случай взрывного роста).
Платформ для Кубернетеса не так мало, понятно, что в лидерах GKE, AWS и Azure, но многие авторы мелких проектов жалуются на их дороговизну. Я обратил внимание на второй эшелон — Digital Ocean и Linode, ценообразование там более гуманное и прозрачное, а решающим фактором в выборе было начилие у Digital Ocean управляемой базы данных — ставить постгрес в кубернетес конечно модно, но с точки зрения надежности выглядит не очень.
Еще один большой плюс Digital Ocean — бесплатный CDN.
Я развернул сервис в амстердамском датацентре — ближе к России ничего не нашлось.
Аудитория и сегментация
Если задуматься, автоматизация «волейбола» — весьма широкая задача.
Волейболов только в официальной версии — два варианта (6×6 и 2×2), плюс к этому возможны разные форматы типа 4×4, 3×3, на траве, на снегу.
Одни люди привержены только одному формату, другие играют во все, где мяч летает.
С точки зрения видео — ракурс камеры добавляет разнородности, так как логика разбора записи камер сбоку и сзади будет заметно различаться.
В целом, вполне очевидно, что наиболее перспективным выглядит анализ пляжного волейбола.
Ссылки
- vball.io — главная страница сервиса
- Паблик вконтакте, куда я выкладываю разборы и все, что относится к теме
- Игра МВЛ на которой проводилось тестирование
- Еще одна игра с МВЛ, теперь женский вариант
- Интересная статья про аналитику в волейболе
Волейбол обещает быть интересным | Официальный сайт администрации Яйского муниципального округа
Размер шрифта:
Тип шрифта:
Цвета сайта:
Изображения:
Интервал между буквами (Кернинг):Выберите шрифт:
Выбор цветовой схемы:
Поиск по сайту
Введите запрос для поиска- Главная
- Новости
Документы
17 Мая 2023 14:07
Постановления
Постановление № 551 от 17. 05.2023 года — Об утверждении «Плана мероприятий по повышению целевого значения показателя «Доля обращении за получением массовых социально значимых государственных и муниципальных услуг в электронном виде с использованием портал
Скачать47 Кбайт
17 Мая 2023 13:24
Постановления
Постановление № 550 от 17.05.2023 года — О назначении ответственных за результаты региональных проектов в Яйском муниципальном округе в 2023 году
Скачать45.4 Кбайт
16 Мая 2023 15:38
Постановления
Постановление № 540 от 16.05.2023 года — О проведении конкурса «Соседи — дружная семья» в Яйском муниципальном округе
Скачать44.9 Кбайт
12 Мая 2023 11:29
Постановления
Постановление №528 от 12. 05.2023г — О внесении изменений в постановление администрации Яйского муниципального округа от 29.12.2020г. № 1640 «Об утверждении положения о порядке проведения конкурса на замещение вакантной должности муниципальной службы в орг
Скачать37.8 Кбайт
Все документы
Новости
Вручение жилищных сертификатов
16 Мая 2023 13:34
Отключение электроэнергии с 22.05.2023 по 26.05.2023
16 Мая 2023 10:58
Важная информация
12 Мая 2023 15:39
Уважаемые предприниматели!
12 Мая 2023 12:01
Все новости
Нажимая кнопку «», я даю свое согласие на обработку моих персональных данных, в соответствии с Федеральным законом от 27.
Сегментация изображения с многоуровневой пороговой обработкой на основе улучшенного алгоритма волейбольной премьер-лиги с использованием алгоритма оптимизации кита
. 2021;80(8):12435-12468.
doi: 10.1007/s11042-020-10313-w. Epub 2021 11 января.
Мохамед Абд Элазиз 1 , Неггаз Набиль 2 , Реза Могдани 3 , Ахмед А. Эвис 4 , Эрик Куэвас 5 , Сунфэн Лу 6
Принадлежности
- 1 Кафедра математики, Факультет естественных наук, Университет Загазиг, Загазиг, Египет.
- 2 Факультет математики и информатики – Департамент информатики – Лаборатория SIMPA, Университет наук и технологий в Оране Мохаммед Будиаф, USTO-MB, BP 1505, Эль-Мнауэр, 31000 Оран, Алжир.
- 3 Факультет управления производством, Университет Персидского залива, Бушер, Иран.
- 4 Компьютерный факультет, Университет Дамиетта, Дамиетта, Египет.
- 5 Departamento de Electrónica, Universidad de Guadalajara, CUCEI Av. Revolución 1500, 44430 Гвадалахара, Мексика.
- 6 Школа кибернаук и инженерии Хуажонгского университета науки и технологий, Ухань, 430074 Китай.
- PMID: 33456315
- PMCID: PMC7797715
- DOI: 10.1007/с11042-020-10313-в
Бесплатная статья ЧВК
Мохамед Абд Элазиз и др. Приложение Multimed Tools. 2021.
Бесплатная статья ЧВК
. 2021;80(8):12435-12468.
doi: 10.1007/s11042-020-10313-w. Epub 2021 11 января.
Авторы
Мохамед Абд Элазиз 1 , Неггаз Набиль 2 , Реза Могдани 3 , Ахмед А. Эвис 4 , Эрик Куэвас 5 , Сунфэн Лу 6
Принадлежности
- 1 Кафедра математики, Факультет естественных наук, Университет Загазиг, Загазиг, Египет.
- 2 Факультет математики и информатики – Департамент информатики – Лаборатория SIMPA, Университет наук и технологий в Оране Мохаммед Будиаф, USTO-MB, BP 1505, Эль-Мнауэр, 31000 Оран, Алжир.
- 3 Факультет управления производством, Университет Персидского залива, Бушер, Иран.
- 4 Компьютерный факультет, Университет Дамиетта, Дамиетта, Египет.
- 5 Departamento de Electrónica, Universidad de Guadalajara, CUCEI Av. Revolución 1500, 44430 Гвадалахара, Мексика.
- 6 Школа кибернаук и инженерии Хуачжунского университета науки и технологии, Ухань, 430074 Китай.
- PMID: 33456315
- PMCID: PMC7797715
- DOI: 10.1007/с11042-020-10313-в
Абстрактный
Сегментация изображений с многоуровневой пороговой обработкой привлекла значительное внимание в нескольких приложениях для обработки изображений. Однако процесс определения оптимальных пороговых значений (как этап предварительной обработки) занимает много времени при использовании традиционных методов. Хотя с этими ограничениями можно справиться, применяя метаэвристические методы, такие подходы могут оказаться бездействующими при локальном решении. В этом исследовании был предложен альтернативный многоуровневый метод сегментации изображения с пороговым значением, называемый VPLWOA, который представляет собой улучшенную версию алгоритма волейбольной премьер-лиги (VPL) с использованием алгоритма оптимизации китов (WOA). В VPLWOA WOA используется как система локального поиска для улучшения этапа обучения алгоритма VPL. Набор экспериментальных серий выполняется с использованием двух разных наборов данных изображений для оценки производительности VPLWOA при определении значений, которые могут быть оптимальными пороговыми значениями, и производительность этого алгоритма сравнивается с другими подходами. Экспериментальные результаты показывают, что предложенный VPLWOA превосходит другие подходы с точки зрения нескольких показателей производительности, таких как отношение сигнал/шум и индекс структурного подобия.
Ключевые слова: Сегментация изображения; Многоуровневая пороговая обработка; Алгоритм роя; Алгоритм высшей лиги волейбола; Алгоритм оптимизации кита.
© Автор(ы), по эксклюзивной лицензии Springer Science+Business Media, LLC, входящей в состав Springer Nature 2021.
Заявление о конфликте интересов
Конфликт интересов Авторы заявляют об отсутствии конфликта интересов.
Цифры
Рис. 1
Рамки ВПЛ…
Рис. 1
Каркас алгоритма VPL
рисунок 1Каркас алгоритма VPL
Рис. 2
Исходные изображения и их гистограмма
Рис. 2
Исходные изображения и их гистограмма
Рис. 2Исходные изображения и их гистограмма
Рис. 2
Исходные изображения и их гистограмма
Рис. 2
Исходные изображения и их гистограмма
Рис. 2Исходные изображения и их гистограмма
Рис. 2
Исходные изображения и их гистограмма
Рис. 2
Исходные изображения и их гистограмма
Рис. 2Исходные изображения и их гистограмма
Рис. 3
Результаты гистограммы и соответствующие…
Рис. 3
Результаты гистограммы и соответствующих порогов по сегментированному изображению на пороге восемь.…
Рис. 3Результаты гистограммы и соответствующих порогов по сегментированному изображению при пороге восемь. a FA, b SCA, c SSO, d VPL, e WOA, f VPLWOA
Рис. 4
Рейтинг PSNR всех алгоритмов
Рис. 4
Рейтинг PSNR всех алгоритмов
Рис. 4Рейтинг PSNR всех алгоритмов
Рис. 5
Среднее значение PSNR для…
Рис. 5
Среднее значение PSNR для всех алгоритмов на каждом пороговом уровне
Рис. 5Среднее значение PSNR для всех алгоритмов на каждом пороговом уровне
Рис. 6
a Рейтинг SSIM всех…
Рис. 6
a Рейтинг SSIM всех алгоритмов. b Ранжирование значений пригодности
Рис. 6a Рейтинг SSIM всех алгоритмов. b Ранжирование значений пригодности
Рис. 7
Среднее значение SSIM для…
Рис. 7
Среднее значение SSIM для всех алгоритмов на каждом пороговом уровне
Рис. 7Среднее значение SSIM для всех алгоритмов на каждом пороговом уровне
Рис. 8
Среднее значение пригодности…
Рис. 8
Среднее значение пригодности для всех алгоритмов на каждом пороговом уровне
Рис. 8Среднее значение пригодности для всех алгоритмов на каждом пороговом уровне
Рис. 9
Ранжирование процессорного времени всех…
Рис. 9
Ранжирование процессорного времени всех алгоритмов
Рис. 9Ранжирование процессорного времени всех алгоритмов
Рис. 10
Среднее время процессора для всех…
Рис. 10
Среднее время ЦП для всех алгоритмов на каждом пороговом уровне
Рис. 10Среднее время ЦП для всех алгоритмов на каждом пороговом уровне
Рис. 11
Оригинал и гистограмма…
Рис. 11
Оригинал и гистограмма изображений клеток крови при лейкозе изображение
Рис. 11Оригинал и гистограмма изображений клеток крови изображения лейкемии
Рис. 12
Рейтинг ( а…
Рис. 12
Ранжирование меры ( a ) PSNR. ( b ) Мера SSIM
Рис. 12Ранжирование показателя ( a ) PSNR. ( b ) Мера SSIM
Рис. 13
Сравнение VPLWOA и…
Рис. 13
Сравнение VPLWOA и других алгоритмов с точки зрения PSNR и…
Рис. 13Сравнение VPLWOA и других алгоритмов с точки зрения PSNR и SSIM при сегментации клеток крови. a Мера PSNR, b Мера SSIM
Рис. 14
Результаты гистограммы и…
Рис. 14
Результаты гистограммы и соответствующие пороги по сегментированному изображению при пороге…
Рис. 14Результаты гистограммы и соответствующие пороги по сегментированному изображению при пороге восемь. a FA, b SCA, c SSO, d VPL, e WOA, f VPLWOA
См. это изображение и информацию об авторских правах в PMC
Похожие статьи
Гибридный многоуровневый пороговый подход к сегментации изображений для МРТ головного мозга.
Шарма С.Р., Альшатри С., Сингх Б., Каур М., Мостафа Р.Р., Эль-Шафай В. Шарма С.Р. и соавт. Диагностика (Базель). 2023 1 марта; 13 (5): 925. doi: 10.3390/diagnostics13050925. Диагностика (Базель). 2023. PMID: 364 Бесплатная статья ЧВК.
Алгоритм оптимизации хаотического электромагнитного поля на основе нечеткой энтропии для многоуровневой пороговой сегментации цветного изображения.
Сонг С., Цзя Х., Ма Дж. Сонг С. и др. Энтропия (Базель). 2019 15 апреля; 21 (4): 398. дои: 10.3390/e21040398. Энтропия (Базель). 2019. PMID: 33267113 Бесплатная статья ЧВК.
Энтропия Капура для сегментации цветного изображения на основе гибридного алгоритма оптимизации кита.
Ланг С., Цзя Х. Ланг С и др. Энтропия (Базель). 2019 23 марта; 21 (3): 318. дои: 10.3390/e21030318. Энтропия (Базель). 2019. PMID: 33267032 Бесплатная статья ЧВК.
Усиление алгоритма морских хищников с помощью алгоритма Salp Swarm для многоуровневой пороговой сегментации изображения.
Абуалига Л., Аль-Окби Н.К., Элазиз М.А., Хусейн Э.Х. Абуалига Л. и др. Приложение Multimed Tools. 2022;81(12):16707-16742. doi: 10.1007/s11042-022-12001-3. Epub 2022 3 марта. Приложение Multimed Tools. 2022. PMID: 35261554 Бесплатная статья ЧВК.
Новый оптимизированный метод пороговой обработки с использованием алгоритма муравьиной колонии для сегментации МР-изображений мозга.
Хоррам Б., Язди М. Хоррам Б. и др. J цифровое изображение. 2019 фев; 32(1):162-174. doi: 10.1007/s10278-018-0111-x. J цифровое изображение. 2019. PMID: 30091112 Бесплатная статья ЧВК. Обзор.
Посмотреть все похожие статьи
Цитируется
Улучшенный алгоритм поиска рептилий с помощью алгоритма Salp Swarm для сегментации медицинских изображений.
Абуалига Л., Хабаш М., Хананде Э.С., Хусейн А.М., Шинван М.А., Зитар Р.А., Цзя Х. Абуалига Л. и др. Дж. Бионический инженер. 2023 фев. 7:1-25. doi: 10.1007/s42235-023-00332-2. Онлайн перед печатью. Дж. Бионический инженер. 2023. PMID: 36777369 Бесплатная статья ЧВК.
Multi-verse Optimizer с механизмами Розенброка и диффузии для многоуровневой пороговой сегментации изображений из рентгеновских изображений грудной клетки COVID-19.
Хан Ю, Чен В, Хейдари А.А., Чен Х. Хан Ю и др. Дж. Бионический инженер. 2023;20(3):1198-1262. doi: 10.1007/s42235-022-00295-w. Epub 2023 4 января. Дж. Бионический инженер. 2023. PMID: 36619872 Бесплатная статья ЧВК.
Алгоритмы оптимизации, вдохновленные человеком: теоретические основы, алгоритмы, проблемы открытых исследований и применение для многоуровневой пороговой обработки.
Рай Р., Дас А., Рэй С., Дхал К.Г. Рай Р. и др. Arch Comput Methods Eng. 2022;29(7):5313-5352. doi: 10.1007/s11831-022-09766-z. Epub 2022 7 июня. Arch Comput Methods Eng. 2022. PMID: 35694187 Бесплатная статья ЧВК.
Рекомендации
- Ахмади М., Каземи К., Аараби А. и др. Сегментация изображения с использованием многоуровневой пороговой обработки на основе модифицированной оптимизации спаривания птиц. Приложение Multimed Tools. 2019;78:23003–23027. doi: 10.1007/s11042-019-7515-6. — DOI
- Акай Б. Исследование оптимизации роя частиц и алгоритмов искусственной пчелиной колонии для многоуровневой пороговой обработки. Appl Soft Comput J. 2013; 13:3066–3091. doi: 10.1016/j.asoc.2012.03.072. — DOI
- Авада В., Хошгофтаар Т.М. , Диттман Д. и др. (2012) Обзор стабильности методов выбора признаков для данных биоинформатики. Proc 2012 IEEE 13th Int Conf Inf Reuse Integr IRI 2012 356–363. 10.1109/ИРИ.2012.6303031
- Бэби Ресма К.П., Наир М.С. (2018)Многоуровневое пороговое значение для сегментации изображения с использованием алгоритма оптимизации стада криля. J King Saud Univ — Comput Inf Sci. 10.1016/j.jksuci.2018.04.007
- Bao X, Jia H, Lang C. Новая гибридная оптимизация Harris Hawks для многоуровневой пороговой сегментации цветного изображения. IEEE-доступ. 2019;7:76529–76546. doi: 10.1109/ACCESS.2019.2921545. — DOI
Алгоритм кластерного анализа моделирования волейбола на основе радиально-нечеткой нейронной сети
. 2022 17 мая; 2022:8365024.
дои: 10.1155/2022/8365024. Электронная коллекция 2022.
Сяошэнь Ян 1 , Ю Ван 2
Принадлежности
- 1 Факультет спорта, Чжуннаньский университет экономики и права, Ухань, Хубэй 430073, Китай.
- 2 Управление академических исследований, Чанцзянский политехнический институт, Ухань, Хубэй 430074, Китай.
- PMID: 35619759
- PMCID: PMC9129944
- DOI: 10. 1155/2022/8365024
Бесплатная статья ЧВК
Сяошэнь Ян и др. Компьютер Intel Neurosci. .
Бесплатная статья ЧВК
. 2022 17 мая; 2022:8365024.
дои: 10.1155/2022/8365024. Электронная коллекция 2022.
Авторы
Сяошэнь Ян 1 , Ю Ван 2
Принадлежности
- 1 Факультет спорта, Чжуннаньский университет экономики и права, Ухань, Хубэй 430073, Китай.
- 2 Управление академических исследований, Чанцзянский политехнический институт, Ухань, Хубэй 430074, Китай.
- PMID: 35619759
- PMCID: PMC9129944
- DOI: 10.1155/2022/8365024
Абстрактный
Для решения ряда проблем, существующих в волейболе, на основе теории радиально-нечетких нейронных сетей для мониторинга и анализа волейбола используется оптимизированный алгоритм кластерного анализа моделирования. Анализируя веса признаков узлов на разных этапах, была построена оптимальная радиальная нечеткая нейронная сеть, которая была объединена с алгоритмом кластеризации моделирования для получения соответствующей модели оптимизации, описывающей волейбол. Точность модели оптимизации проверяется путем сравнения с исходной моделью. Результаты показывают, что с увеличением отклика кривые отклика различных алгоритмов демонстрируют колебания. Среди них диапазон флуктуаций алгоритма MPDR (отклик без искажений с минимальной дисперсией) больше, а значение кривой, полученной алгоритмом MVDR (отклик без искажений с минимальной дисперсией), сильно отличается от значения алгоритма оптимизации в некоторых ключевых узлах, в то время как луч график изменения, полученный с помощью алгоритма оптимизации, может лучше отражать изменение тренда луча. Показатели модели по разным алгоритмам разные. Когда количество итерационных шагов меньше 30, все индексы по разным алгоритмам больше стандартного значения. При числе итераций более 30 показатели по разным алгоритмам все меньше стандартного значения. Путем проверки видно, что исходная модель может описывать только первый этап игры в волейбол, тогда как модель оптимизации может описывать весь процесс игры в волейбол. Он показывает, что модель оптимизации можно использовать для описания и анализа данных, связанных с волейболом. Алгоритм можно использовать для лучшего прогнозирования и анализа волейбола, а результаты анализа могут дать соответствующие рекомендации для волейбола. Модель оптимизации обеспечивает основу и теоретическую поддержку для применения алгоритма кластеризации моделирования волейбола, чтобы лучше продвигать волейбол и лучше направлять движение.
Copyright © 2022 Сяошэнь Ян и Ю Ван.
Заявление о конфликте интересов
Авторы заявили, что у них нет известных конфликтов интересов или личных отношений, которые могли бы повлиять на работу, представленную в этой статье.
Цифры
Рисунок 1
Структура радиальной функции нервной…
Рисунок 1
Структура нейронной сети радиальной функции.
Рисунок 1Структура нейронной сети радиальной функции.
Рисунок 2
Диаграмма отклика различных алгоритмов.
Рисунок 2
Диаграмма отклика различных алгоритмов.
фигура 2Диаграмма отклика различных алгоритмов.
Рисунок 3
Структура вероятностной нейронной сети.
Рисунок 3
Структура вероятностной нейронной сети.
Рисунок 3Структура вероятностной нейронной сети.
Рисунок 4
Распределение характеристических весов…
Рисунок 4
Распределение характеристических весов смоделированных данных в разных узлах.
Рисунок 4Распределение характеристических весов смоделированных данных в разных узлах.
Рисунок 5
Реакция выходного сигнала различных…
Рисунок 5
Отклик выходного сигнала различных моделей.
Рисунок 5Отклик выходного сигнала различных моделей.
Рисунок 6
Расширенная диаграмма постоянной оптимизации под…
Рисунок 6
Расширенная константная диаграмма оптимизации под разные нейронные сети. (а) Нейронная сеть NN1. (б)…
Рисунок 6Расширенная константная диаграмма оптимизации под разные нейронные сети. (а) Нейронная сеть NN1. (б) Нейронная сеть NN2. (в) Нейронная сеть NN3.
Рисунок 7
Кластерный анализ. (а) Блок-схема…
Рисунок 7
Кластерный анализ. (а) Блок-схема и (б) схематическая диаграмма.
Рисунок 7Кластерный анализ. (а) Блок-схема и (б) схематическая диаграмма.
Рисунок 8
Принципиальная схема.
Рисунок 8
Принципиальная схема.
Рисунок 8Принципиальная схема.
Рисунок 9
Анализ производительности кластеризации данных.
Рисунок 9
Анализ производительности кластеризации данных.
Рисунок 9Анализ производительности кластеризации данных.
Рисунок 10
Схема моделирования волейбола…
Рисунок 10
Блок-схема анализа моделирования волейбола на основе нечеткой нейронной сети.
Рисунок 10Блок-схема анализа моделирования волейбола на основе нечеткой нейронной сети.
Рисунок 11
Радиолокационная диаграмма различных алгоритмов.
Рисунок 11
Радиолокационная диаграмма различных алгоритмов.
Рисунок 11Радиолокационная диаграмма различных алгоритмов.
Рисунок 12
Сравнение разных моделей.
Рисунок 12
Сравнение разных моделей.
Рисунок 12Сравнение разных моделей.
Рисунок 13
Таблица прогнозов на волейбол.
Рисунок 13
Таблица прогнозов на волейбол.
Рисунок 13Таблица прогнозов на волейбол.
См. это изображение и информацию об авторских правах в PMC
Похожие статьи
Проект RBFNN на основе модифицированного алгоритма кластеризации ближайших соседей для управления отслеживанием пути.
Чжэн Д., Юнг В., Ким С. Чжэн Д. и др. Датчики (Базель). 2021 14 декабря; 21 (24): 8349. дои: 10.3390/s21248349. Датчики (Базель). 2021. PMID: 34960441 Бесплатная статья ЧВК.
Оценка способностей учителей к образовательным технологиям на основе обобщенной регрессионной нейронной сети с нечеткой кластеризацией.
Чжао Дж., Гуань Х., Лу С., Чжэн Ю. Чжао Дж. и др. Компьютер Intel Neurosci. 2021 13 сентября; 2021:1867723. дои: 10.1155/2021/1867723. Электронная коллекция 2021. Компьютер Intel Neurosci. 2021. PMID: 34557224 Бесплатная статья ЧВК.
Система спортивного мониторинга на основе оптимизированного алгоритма адаптивного нечеткого ПИД-управления в OneNet Internet of Things и облачной платформе.
Чжан Д., Мин Х.Дж. Чжан Д. и др. Компьютер Intel Neurosci. 2022 21 апр; 2022:8234066. дои: 10.1155/2022/8234066. Электронная коллекция 2022. Компьютер Intel Neurosci. 2022. PMID: 35498177 Бесплатная статья ЧВК.
Улучшенный алгоритм нечеткой кластеризации C-средних для вспомогательной терапии хронического бронхита.
Лу В., Ян З. Лу В. и др. Технол Здравоохранение. 2015;23(6):699-713. DOI: 10.3233/THC-151023. Технол Здравоохранение. 2015. PMID: 26409511
Метод реконфигурации крупномасштабной распределительной сети на основе графа.
Ша Ю. Ша Ю. Компьютер Intel Neurosci. 2022 14 марта; 2022:3169065. дои: 10. 1155/2022/3169065. Электронная коллекция 2022. Компьютер Intel Neurosci. 2022. PMID: 35321458 Бесплатная статья ЧВК.
Посмотреть все похожие статьи
Рекомендации
- Ву Х. Оценка регуляризованного многоядерного алгоритма обучения эластичного сетчатого типа AdaBoost в обучающих действиях по волейболу. Беспроводная сеть . 2021;158(12):1469–1481. doi: 10.1007/s11276-021-02694-z. — DOI
- Лин В. Исследование классификации изображений волейбола на основе искусственного интеллекта и алгоритма SIFT. Математические проблемы в технике. 2021; 2021(15):1–10. дои: 10.1155/2021/5547689. — DOI
- Чжао К., Цзян В., Джин С., Сяо С. Система искусственного интеллекта, основанная на эффекте расположения обеих сторон в волейбольных матчах. Журнал интеллектуальных и нечетких систем. 2021;40(2):3075–3084. doi: 10.3233/jifs-189346. — DOI
- Фей Дж., Ван Т. Адаптивная нечеткая нейронная сеть, основанная на управлении RBFNN для фильтра активной мощности. Международный журнал машинного обучения и кибернетики. 2019;10(5):1139–1150. doi: 10.1007/s13042-018-0792-y.