Искусственные нейронные сети индуцированы биологией, так как они состоят из элементов, функциональные возможности которых аналогичны большинству элементарных функций биологического нейрона. Эти элементы затем организуются по способу, который может соответствовать (или не соответствовать) анатомии мозга. Например, они обучаются на основе опыта, обобщают предыдущие прецеденты на новые случаи и извлекают существенные свойства из поступающей информации, содержащей излишние данные [1]. Искусственные нейронные сети могут менять свое поведение в зависимости от внешней среды. После предъявления входных сигналов (возможно, вместе с требуемыми выходами) они самонастраиваются, чтобы обеспечить требуемую реакцию [2, 3, 4, 5]. Отклик сети после обучения может быть до некоторой степени нечувствителен к небольшим изменениям входных сигналов. Это внутренне присущая способность видеть образ сквозь шум и искажения жизненно важна для распознания образов в реальном мире [6, 7, 8]. Что такое нейронная сеть? Прежде всего, пусть вас не вводит в заблуждение употребление слова "нейро". Словосочетание "теория нейронных сетей" - не более чем обобщенное название вполне конкретной и формальной области математики. С математической точки зрения нейронная сеть представляет собой многослойную сетевую структуру , состоящей из однотипных (и сравнительно простых) процессорных элементов - нейронов (Рис. 1).

Рис.1 Пример модели нейронной сети.

Нейроны, связанные между собой сложной топологией межсоединений, группируются в слои (как правило, два - три), среди которых выделяются входной и выходной слои. В нейронных сетях, применяемых для прогнозирования, нейроны входного слоя воспринимают информацию о параметрах ситуации, а выходной слой сигнализирует о возможной реакции на эту ситуацию. Перед постановкой на "на боевое дежурство" нейронная сеть проходит специальный этап настройки - обучения. Как правило, сети предъявляют большое количество заранее подготовленных примеров, для каждого из которых известна требуемая реакция сети.

Если сеть реагирует на очередной пример неадекватно, т.е. состояние выходного слоя отличается от заданного, внутренняя структура сети подвергается некоторой модификации для минимизации ошибки (в большинстве случаев корректируются веса соединений). После определенного периода обучения сеть достигает состояния, соответствующего минимальной суммарной ошибке. Для некоторых задач суммарная ошибка составляет 2-3 %, для других может доходить до 10-15%. Использование моделей нейронных сетей включает в себя определение и анализ как большого количества параметров, так и больших массивов данных. Доступность программного обеспечения с интерактивным графическим интерфейсом пользователя облегчает развитие таких моделей.

1. Способность обучаться на множестве примеров в тех случаях, когда неизвестны закономерности развития ситуации и какие бы то ни было зависимости между входными и выходными данными. В таких случаях пасуют как традиционные математические методы, так и экспертные системы.

2. Нейронные сети способны успешно решать задачи, опираясь на неполную, искаженную, зашумленную и внутренне противоречивую входную информацию.

3. В отличие от применения прикладных статистических пакетом, требующих высокой квалификации в области статистики, эксплуатация обученной нейронной сети по силам и неподготовленному пользователю.

Целью двигательного действия является достижение максимальной высоты взлета общего центра масс тела (ОЦМТ). Для осуществления прыжка вверх с места используются: биомеханизм разгибания ног и туловища (БРНТ); биомеханизм маховых звеньев (БМЗ) [9].

Входами для такой сети будут интегральные показатели, характеризующие уровень физической подготовленности, биомеханизма разгибания ног и туловища, биомеханизма маховых звеньев; выходом - результат в прыжках вверх с места. Строго говоря, используется более сложная модель, которая предусматривает такое же управление для каждого из суставов, в каждом из биомеханизмов. Но, для наглядности возможно принятое упрощение модели.

Таким образом, нейронная сеть для моделирования процесса управления прыжком вверх с места будет иметь три входных показателя и один выходной.

Для получения обучающего набора пар вход-выход был проведен эксперимент с участием 93 студентов III курса РГАФК различных специализаций. Результаты эксперимента представлены в таблице 1.

После настройки и проведения обучающей процедуры нейронной сети получена настроенная матрица с показателем rms-ошибки равным 0,067, что в целом можно считать удовлетворительным.

В дальнейшем, группе студентов (N=8) была предложена трехнедельная тренировочная программа, состоящая из 15 тренировочных занятий, направленная на совершенствование техники прыжка вверх с места.

На рис. 2 представлены кривые обучения модельного (А) и реального (Б) тренировочного процесса совершенствования техники прыжка вверх с места.

Рис.2. Кривые обучения модельного (А) и реального (Б) тренировочного процесса совершенствования техники прыжка вверх с места.

Можно констатировать, что "работа" нейронной сети в целом полностью идентична аналогичному реальному тренировочному процессу. Таким образом, использование нейронной сети для моделирования процесса технической тренировки является обоснованным.

Понятие "биомеханизм" и нейронная сеть как идеальные образы служат основой для построения теории технической подготовки в спорте.

Практическое использование настроенных матриц нейронных сетей в конкретных видах спорта, с учетом индивидуальных особенностей спортсмена позволит оптимизировать реальный тренировочный процесс.

1. Rumelhart D.E., Hinton G.E., Williams R.J. Leaning representations by back-propagating errors//Nature. - 1986.- Vol.323. - P.533-536.

2. Айзерман М.А., Браверман Э.М., Розоноэр Л.И. Метод потенциальных функций в теории обучения машин.- М.:Наука,1970.-383 с.

3. Цыпкин Я.З. Основы теории обучающихся систем. - М.:Наука. 1970. - 252 с.

4. Real Brains, Artificial Minds/ Ed. by J.L.Casti, A.Karlqvist. - North-Holland, 1987. - 226 p.

5. Rumelhart D.E., Hinton G.E., Williams R.J. Leaning internal representations by error propagation//Parallel Distributed Processing: Exploration in the Microstructure of Cognition/Ed. by D.E.Rumelhart and J.J.McClelland. - Cambridge, MA: MIT Press, 1986. - Vol.1. - P.318-362.

6. Горбань А.Н. Системы с наследованием и эффекты отбора//Эволюционное моделирование и кинетика.- Новосибирск: Наука Сиб.отд-ние, 1992.-С.42-49.

7. Hopfield J.J. Neural network and physical systems with emergent collective computational abilities // Proc. Nat.Sci.USA.- 1982.- Vol.79.- P.2554-2558.

8. Kosko B. Bidirectional Associative Memories//IEEE Trans. on Systems, Man. and Cybernetics. - Jan., 1988.- Vol.SMC-18. - P.49-60.

9. Биомеханизмы как основа развития биомеханики движений человека (спорта)/Селуянов В.Н., Шалманов Ан.А., Аиед Берхаием, Анненков К.А., Григоренко А.В.//ТиПФК.- 1996. - N7. - С.6-10.

При любом использовании данного материала ссылка на первоисточник обязательна!

Шестаков, М.П. Моделирование процесса технической подготовки с использованием нейронной сети // Юбилейн. сб. тр. учен. РГАФК, посвящ. 80-летию акад. - М., 1997. - Т. 1. - С. 116-120.