[发明专利]一种基于高斯混合分布的群体体质评估方法

权利要求书

1.一种基于高斯混合分布的群体体质评估方法，其特征在于所述方法包括如下步骤：

步骤1：将未标记的体育测试数据随机分成若干段作为测试数据与训练数据；

步骤2：对步骤1中的各段测试数据与训练数据进行预处理操作；

步骤3：将步骤2预处理后的训练数据作为卷积神经网络模型的每次输入，使用非监督学习算法提取各组特征数据；

步骤4：拟合步骤3得到的各组特征数据，判断混合分布的个数；

步骤5：根据步骤3得到的各组特征数据，利用EM算法计算各混合分布的权重、均值；

步骤6：建立三级评价模型，将步骤4与步骤5的观察和计算结果代入三级评价模型和群体体质评估量化公式中，得出等级和评分结果，三级评价模型包括A等级、B等级和C等级，其中：

A等级满足以下条件之一：

①特征表现为一个单高斯模型，K＝1；

②特征表现为混合高斯模型，K＝2，且满足：

α_max-(1-α_max)＞a；

B等级特征表现为多高斯模型，K＝2，且满足不等式组：

C等级特征表现为多高斯模型，K＝2，且满足不等式组：

式中，K为分模型的个数，α_max为K个分模型中最大的权重，μ_n与μ_m分别为最大的两个权重分模型所对应的均值，a用来描述权重差的阈值，b用来描述权重最大的两个分布的距离阈值，群体体质评估量化公式定义为：

式中，K为分模型的个数，α_max为K个分模型中最大的权重，μ_n与μ_m分别为最大的两个权重分模型所对应的均值，a用来描述权重差的阈值，b用来描述权重最大的两个分布的距离阈值，函数h表示为当输入大于0时，函数值为输入本身，否则函数值为0。

2.根据权利要求1所述的基于高斯混合分布的群体体质评估方法，其特征在于所述步骤1中，测试数据与训练数据的每组数据包括1800个数据项。

3.根据权利要求1所述的基于高斯混合分布的群体体质评估方法，其特征在于所述步骤2中，采用0-1规范化方法对各段测试数据与训练数据进行预处理操作，其中：数据规范化公式为：

式中，X是输入数据项，X_max为这组数据的最大项，X_min为这组数据的最小项。

4.根据权利要求1所述的基于高斯混合分布的群体体质评估方法，其特征在于所述步骤3中，卷积神经网络包括两个卷积层、两个激活层、两个池化层，其中：卷积层中，卷积核大小设置为3×1，步长设计为1；激活层采用ReLu激活函数；池化层过滤器设置为2×1，使用最大池化函数。

5.根据权利要求1所述的基于高斯混合分布的群体体质评估方法，其特征在于所述步骤4中，利用Python拟合函数拟合出步骤3得到的各组特征数据，观察数据分布情况，记录此混合分布的分布个数。

6.根据权利要求1所述的基于高斯混合分布的群体体质评估方法，其特征在于所述步骤5中，EM算法的E步为：

依据当前模型参数，计算分模型k对观测数据y_i的响应度，公式如下：

其中，α_k是系数，α_k≥0，φ(y_i|θ_k)是高斯分布密度，μ_k是第k个分模型的均差，是第k个分模型的方差；

EM算法的M步为：

计算新一轮迭代的模型参数，公式如下所示：

其中，是新一轮迭代模型中的均值；是新一轮迭代模型中的方差；是新一轮迭代模型中的权重；是模型k对观测数据y_i的响应度，N是观测数据的总数。