论文摘要
人工神经网络（ANN）是一种非线性动力学系统,是借鉴于生物神经网络发展起来的新型智能信息处理系统。ANN以其独特的信息处理方式被广泛应用于各领域,例如工业生产监控、分类、预测预报、分析处理、疾病的辅助诊断、环境污染及净化预测等等。BP神经网络是各种神经网络模型中具有代表意义的神经网络模型之一,已经获得广泛的应用。但是BP算法存在着效率较低、收敛速度慢、易于陷入局部极小值等缺陷,制约了BP网络在各个领域中的应用。蚁群优化算法（Ant Colony Optimization,ACO）是一种新颖的仿生进化算法,在求解复杂优化问题尤其是离散优化问题方面展现出了优异的性能和巨大的发展潜力。ACO作为一种全局优化的启发式算法,用来训练神经网络的权值,可以避免BP神经网络的缺陷。在运动学领域中,研究人体的各项生理生化指标与运动负荷之间的复杂关系是一项很重要的内容。在生理生化指标和体育运动中运动员所承受的运动训练负荷之间建立对应关系,是一个典型的不确定的、非线性问题。我国的网球运动正处于发展阶段,为了进一步提高我国网球运动竞技实力,缩短与世界一流水平的差距,需要进行科学化的训练。本文针对网球运动技巧性很强,对训练负荷的量化分析十分复杂的特点,提出了自己的解决方案。本文以国家网球队运动员的生理生化指标检测数据作为训练样本,采用将ACO与BP算法相融合共同完成神经网络训练的方法,即ACO-BP算法,建立针对运动负荷的蚁群神经网络预测模型,得出网球运动中生理生化指标与训练负荷之间的对应关系。首先采用ACO对神经网络权值进行整体寻优,克服BP算法容易陷入局部最优的不足;然后以找到的较优的权值为初值,采用BP算法做进一步的寻优,克服单一ACO训练网络时间较长、精度不高的缺点。通过Matlab仿真试验证明了所用方法的正确性。将该模型应用于“国家网球队信息化平台”中,进一步验证了模型的有效性和实用性,起到了预期的效果。