导读:本文包含了训练数据论文开题报告文献综述及选题提纲参考文献，主要关键词:人工智能,机器人智能,标注,卫星图像,虚拟现实,智能制造,训练师,遥感影像,服更,信息公示
训练数据论文文献综述
马晨,姜晓丹,孙超[1]（2020）在《我的工作在线上》一文中研究指出核心阅读互联网的普及和数字经济的发展，正不断创造出一批与网络密不可分的新职业。这些新职业形式新颖、工作时间灵活，深得年轻人青睐。从事网络新职业的青年，置身互联网发展的浪潮，迎接全新的挑战，也收获了不一样的成长。让我们走近网上新青年，倾听网络新职业(本文来源于《人民日报》期刊2020-01-08）
马爱平,马越[2]（2019）在《AI训练遇隐私难题 联邦学习这样打通数据孤岛》一文中研究指出数据可以说是人工智能的燃料。但随着AI落地各个应用场景，数据隐私泄露问题日益严重。数据的交流使用和数据的隐私保护似乎成为了不可调和的矛盾。如何在不泄露各自数据隐私的情况下实现数据的共享和模型的共建，同时连通数据割裂的孤岛是当前所面临的问题。目前各(本文来源于《科技日报》期刊2019-11-19）
贾东明,姜祖桢,郭崧[3]（2019）在《试论“人工智能+大数据”在司法行政戒毒人员康复训练工作中的应用》一文中研究指出研究目的:使戒毒人员通过运动干预、康复训练,形成良好的生活习惯,改善精神状况,从生理和心理上摆脱毒瘾,为专业民警减负,做到快速分析、精准决策、提高戒毒人员的操守率出发,对"人工智能+大数据"康复训练平台系统的建设和应用情况进行全面介绍。(本文来源于《第十一届全国体育科学大会论文摘要汇编》期刊2019-11-01）
马策,王伟[4]（2019）在《Firstbeat训练负荷监控数据与比赛成绩的相关性研究》一文中研究指出研究目的:Firstbeat是一套来自奥林匹克运动研究所和芬兰Jyvaskyla大学研发的运动训练负荷监控技术,他基于人类生理学的先进技术,创建了一个关键性的生理功能数字模型。不同负荷的运动训练会影响心率变异性(HRV),使用HRV作为一个窗口来描绘潜在的运动生理学特征,监控运动过程负荷的变化,给运动场地的训练监控带来了近乎实验室的准确性。本文运用Firstbeat对运动员运动训练过程中的施加负荷进行监控,通过分析运动员赛前训练期训练效果与比赛成绩的相关性,进而检验训练负荷,反思训练过程,为科学化训练提供保障。研究方法:以First beat训练负荷监控数据与比赛成绩的相关程度为研究对象。以河北省速度滑冰队参加2018年河北省青少年速度滑冰锦标赛甲组比赛运动员(4男2女)为监控对象。运动员等级均为一级。运动训练及监控地点为大庆市奥林匹克速滑馆,赛前训练期为4周,比赛期为3天。本研究运用评估法对芬兰·First beat最佳训练节奏调控大数据分析系统模块二进行运动训练负荷监控的评估。评估指标有训练效果(TE)、训练刺激量(TRIMP)、负荷量度、心率。运用统计分析法对First beat训练强度实时监控系统的训练数据与此次赛会6名运动员的比赛成绩进行皮尔逊相关分析。研究结果:在动态反馈运动员训练强度、训练效果与训练目标上,Firstbeat最佳训练节奏调控大数据信息系统模块二——训练强度实时监控实现了速度滑冰运动员训练负荷的监控,教练员在指导训练同时清晰了解每个运动员当天的强度是否练到位,准确把握运动员的能力变化趋势,全面监控各项机能指标。训练效果TE值即Training Effect,反应相同训练负荷对于不同运动等级运动员的真实训练效果,不同TE值对应不同训练目标。训练刺激量(TRIMP)是量化训练负荷的一种方法,将训练负荷通过数字的形式表现出来,与运动强度呈线性关系。Firstbeat不再是在训练中使用平均心率,而是使用训练心率强度公式来不断的计算TRIMP值,确保了体能竞速类项目训练中得到更精确的训练负荷评估。通过6名运动员赛前四周训练监控数据的统计,赛前训练的四周平均训练刺激量成波浪型趋势,总训练强度逐渐增加,赛前第二周全队平均训练刺激量为192,女子平均训练刺激量为194,男子平均训练刺激量为190,周训练呈现小-中-大趋势,监控系统提供的训练刺激量与教练员安排的训练量度相一致。通过假设对男甲1000米四名运动员的比赛成绩与平均训练刺激量、平均训练效果存在相关关系,由皮尔逊相关系数分析,此次比赛成绩与训练刺激量、训练效果呈负相关,r的绝对值越接近于1,表明两变量相关程度越高,存在的关系越密切。这说明运动成绩与训练刺激量及训练效果有密切的联系。对于竞速类项目来说,成绩随着训练刺激量与训练效果的增加而提升,说明训练负荷的刺激是有效的,Firstbeat监控数据能够反映训练负荷特征。而训练刺激量与训练效果呈现中等强度正相关关系,说明Firstbeat监控数据中训练刺激量与训练效果的一致性,不同的训练负荷刺激能够呈现不同的训练效果,反应出运动员竞技能力的不同。叁者之间双侧检验P>0.05不具显着性差异,说明四名运动员运动成绩的不同与训练过程中负荷刺激量的多少、训练效果数值,具有一致关联性。通过对女甲两名运动员500米、1000米、1500米、3000米的运动成绩与训练刺激量、训练效果呈负相关,P<0.05,差异显着,说明训练刺激量与训练效果对两个人的成绩都有了一定的作用,但训练效果与运动成绩存在差异性,从个人成绩对比可以证实,此次比赛成绩不是两名运动员在4个项目上的最好成绩,教练员应从比赛恢复、竞赛环境外在条件、运动员心理等方面提高关注程度。研究结论:First beat训练强度实时监控系统的训练效果与训练刺激量的数值与比赛成绩具有相关性,应用于体能竞速类项目时的可靠性与准确性较高,为实现科学化训练提供了新工具。(本文来源于《第十一届全国体育科学大会论文摘要汇编》期刊2019-11-01）
李晓焱,张莉清[5]（2019）在《基于运动训练学视角下体育大数据应用研究》一文中研究指出研究目的:在现代科技的推动下,"大数据"逐渐渗透到体育领域。由于"大数据"在体育领域正处于起步阶段,国内外一些研究者对大数据在运动训练中应用的认知过于理想化,在一定程度上弱化了教练员和运动员的主体地位;但同时也有一些研究者提出质疑观点,认为大数据的采集、分析、应用方面尚且存在很大的问题。鉴于此,本文主要从运动训练学视角出发,对国内外大数据在比赛和训练中的应用进行归纳梳理,探究其应用中存在的问题,以期推动我国运动训练中的数据应用水平,促进运动训练理论与实践的发展。研究方法:本文采用文献资料法、专家访谈法、实地调查法,从运动训练学视角对国内外大数据在比赛和训练中的应用进行归纳,梳理出大数据在国内外运动训练中应用的现状,并分析其存在的问题。研究结果:1、体育"大数据"并不是新生事物,是传统数据的发展和完善。大数据在运动训练中应用的核心就是预测,实质是从数据中寻找规律,提升认知能力,从而进行预测并指导决策。大数据目前存在诸多概念,本研究认为,只要是能够即时、全面地生成具有训练指导价值的、足够体量的数据,并有效的应用到运动训练实践中皆可称之为大数据。2、大数据目前只应用于精英运动员的运动训练与比赛中。我国当前体育大数据在体能训练中应用较多,具体体现在花样游泳、摔跤、赛艇、柔道、跳水、排球等项目。但是应用面较窄,使用过程不系统,缺乏深层次的应用分析。技能主导类项目(除乒乓球外)的技战术分析也较为落后,我国职业化程度相对较高的CBA(中国职业篮球联赛)、中超(中国足球超级联赛),基于大数据技术的软硬件投入少,数据分析师稀缺。3、国外体育大数据起步较早,目前已应用面已涉及运动员选材、体能训练、技术分析与改进、战术辅助决策、训练与比赛计划制定、竞技状态预测、运动损伤风险预测、训练效果与比赛表现评估、对手信息探测、提升运动表现以及建模等各个方面。MLB(美国职业棒球联赛)、NBA(美国职业篮球联赛)、澳大利亚七人制橄榄球联盟以及足球世界杯的一些队伍在大数据的应用上已较为深入,具有成体系的数据库,数据分析技术较为成熟,应用范围涉及多方面。4、研究发现,体育大数据目前存在的问题主要体现在以下叁方面:(1)运动训练系统具有复杂性,运动项目纷繁复杂,运动员极具个性化,运动训练过程的不可控以及比赛的不确定性都决定了当前的数据采集技术、手段亟需创新和完善。(2)体育大数据的应用对数据分析层面主体有着较高要求,不仅要掌握运动训练学、运动生物力学、计算机科学、运动生理学等多个学科基础理论,同时也要深谙运动专项理论与实践原理。但不论是国内外,这种跨学科精英人才都极为缺乏,对于海量数据的分析处理有待深入。(3)随着大数据在运动训练中的应用不断深入,"数字鸿沟"问题愈加显着。主要表现在职业化程度较高与发展落后的项目之间、夏季项目和冬季项目之间、优势或潜优势项目与弱势项目之间的发展不均衡性不断增加。研究结论:运动训练是一个复杂的系统,受着多方面的影响,大数据应用在运动训练中具有一定的特殊性。与其他领域不同,竞技体育是以人为主体的领域,数据的预测和决策为高水平赛事的运动员和教练员提供不可忽视的辅助功能,但切不可将其理想化。分析发现:大数据在竞技体育领域尚处于起步阶段,体育大数据的应用在一定程度上推动了运动训练理论与实践的发展,但各方面还不够成熟,而且国内外存在很大的差距,尤其是在大数据技术的软硬件投入方面。此外,当前体育大数据应用的问题主要体现在基于运动训练复杂性的数据收集问题、基于跨学科基础理论的数据分析问题、基于项目发展不平衡的数据应用问题叁个方面。因此,我们应理性看待体育大数据,促进各个项目间数据应用水平均衡发展,努力缩小与国外差距,并将大数据在运动训练中的应用当作一项长期工程不断推进。(本文来源于《第十一届全国体育科学大会论文摘要汇编》期刊2019-11-01）
孙扬,王然[6]（2019）在《抗阻训练强度与量对高力量水平男性运动员发力速率的影响——基于数据级数推断的分析》一文中研究指出研究目的:爆发力是许多短时长、高强度运动项目获胜与否的主要决定因素之一,其概念源于力速曲线中特定位置所对应的力值和速度的乘积。然而,根据牛顿第二定律及其衍生出的动量定理,速度是力作用于负荷的结果,负荷运动状态的改变取决于肌肉在特定时间内收缩发力的累积。因此,人体爆发力的强弱直接取决于其在非常有限的时间内能够发出多大的力,即发力速率(Rate of force development)的大小。研究表明,加入奥林匹克举重动作或超等长动作的训练计划对于爆发力的发展更为有效,但是传统抗阻训练动作对发力速率的影响尚不清楚。在传统抗阻训练中,训练强度对于力量的刺激非常重要。通过增加训练强度,可以募集并刺激到更多的高阈值运动单位。因此,本研究的目的在于对比不同训练强度与训练量组合的抗阻训练计划(高强度-低量vs.中强度-高量),对高力量水平男性运动员发力速率的影响。我们的研究假设为高强度-低量训练更有利于发力速率的提高。研究方法:33名具有至少2年系统抗阻训练经历(平均5.7±2.2年)且无任何影响训练伤病的男性运动员自愿参与本研究,受试者均签署知情同意书并知悉研究流程。为保证受试者处于同一起始水平,所有受试者在正式干预前均需完成为期2周的准备期抗阻训练,有4名受试者在这一阶段因个人原因退出本研究,剩余的29名受试者被随机分配到高强度-低量训练组(INT;n=15;24.7±3.4年;179.5±5.6厘米;90.0±15.3千克)或中强度-高量训练组(VOL;n=14;24.0±2.7年;169.9±29.0厘米;90.1±11.7千克)。受试者进行为期8周,每周4天的抗阻训练计划,第1天和第3天以下肢为主,第2天和第4天以上肢为主,主要训练动作包括深蹲、腿举、分腿蹲、硬拉、卧推、肩推、下拉和划船,INT组受试者采用最大力量的90%完成3-5次重复,组间间歇3分钟,而VOL组受试者采用最大力量的70%完成10-12次重复,组间间歇1分钟。受试者在8周抗阻训练干预前和干预后均进行大腿中部等长发力拉(Isometric mid-thigh pull,IMTP)测试以确定其力值和发力速率指标,IMTP测试采用奥林匹克举重动作中发力拉的关节角度,通过等长收缩的形式,与主要抗阻训练动作的相关性较高。进行IMTP测试时,受试者站在测试台上,杠铃被调节至大腿中部位置并固定在测试台上,受试者接到测试者口令后尽快尽力向上提拉杠铃并保持6秒,受试者脚下的测力台(Accu Power,AMTI,USA)以1000Hz的采样频率记录力值信号,用于计算50、100、150、200毫秒时的力值以及最大力值,以及0-30、0-50、0-100、0-150和0-200毫秒内的平均发力速率(Δ力值/Δ时间)。以前测结果作为协变量,通过协变量方差分析(ANCOVA)检验INT组和VOL组后测结果的差异,显着性差异水平定为P<0.05。此外,通过数据级数推断法(Magnitude-based inference)对前测和后测结果进行统计学推断,前测与后测结果的均值差异被转换成标准化效应量(Effect size,ES)。对ES值的大小进行以下划分:ES值<0.2为微小无意义差异,ES值0.2-0.6为小程度差异,ES值0.6-1.2为中等程度差异,ES值1.2-2.0为大程度差异,ES值>2.0为非常大程度差异。当ES值的90%置信区间不同时包含-0.2和0.2时,认为该差异为清晰的。差异值为清晰的正值、负值或微小无意义值的概率大小做出如下界定:<0.5%为极其不可能,0.5-5.0%为非常不可能,5.0-25.0%为很不可能,25.0-75.0%为可能,75.0-95.0%为很可能,95.0-99.5为非常可能,>99.5%为极其可能。研究结果:ANCOVA结果表明,INT组后测时50毫秒(F=10.17,η2=0.70,P=0.005)、100毫秒(F=6.69,η2=0.57,P=0.016)、150毫秒(F=4.99,η2=0.64,P=0.034)、200毫秒(F=4.99,η2=0.64,P=0.034)时的力值以及最大力值(F=11.80,η2=0.57,P=0.002)显着高于VOL组,INT组后测时只有50毫秒(F=4.43,η2=0.57,P=0.045),时的发力速率显着高于VOL组,INT组和VOL组后测时在100毫秒(F=3.53,η2=0.44,P=0.072)、150毫秒(F=2.78,η2=0.59,P=0.107)和200毫秒(F=3.07,η2=0.57,P=0.091)时的发力速率不存在显着性差异。数据级数推断结果表明,INT组50毫秒(ES=1.02,概率=96.29%)、100毫秒(ES=0.92,概率=95.04%)和最大力值(ES=1.17,概率=97.56%)的提高非常可能大于VOL组,INT组150毫秒(ES=0.79,概率=89.55%)和200毫秒(ES=0.68,概率=86.04%)力值的提高很可能大于VOL组,INT组50毫秒(ES=0.73,概率=88.59%)、100毫秒(ES=0.74,概率=90.17%)、150毫秒(ES=0.60,概率=79.47%)和200毫秒(ES=0.57,概率=79.17%)发力速率的提高很可能大于VOL组。研究结论:本研究表明高训练强度、长间歇抗阻训练计划比高训练量、短间歇抗阻训练计划更能有效促进高力量水平男性运动员发力速率的提高。本研究结果对于旨在提高运动员发力速率的抗阻训练计划制定具有重要参考价值和指导意义。(本文来源于《第十一届全国体育科学大会论文摘要汇编》期刊2019-11-01）
李杰,彭晓明[7]（2019）在《基于ARIMA模型的军事训练数据分析和预测》一文中研究指出为更科学合理地使用军事训练数据,针对军事训练数据随时间变化的特点,探讨了在Python环境下基于差分整合移动平均自回归(ARIMA)模型进行分析研究的方法,目的在于发现军事训练内在规律,进行数据预测,以及时优化军事训练计划,促进战斗力生成。(本文来源于《舰船电子对抗》期刊2019年05期）
宋茜[8]（2019）在《制定机器学习训练数据策略的6个技巧》一文中研究指出人工智能(AI)和机器学习(ML)如今已经十分常见。AI指的是机器模仿人类进行认知的概念,ML是一种用于构建AI的方法。如果AI是指计算机可以根据指令执行一组任务,那么ML就是机器从数据中摄取、解析和学习的能力,以便更精确地完成任务。汽车、金融、政府、医疗、零售和科技等行业的大部分管理者都已经对ML和AI有了基本的了解。不过,并非每个人都是一个制定训练数据策略的专家,但这往往是实现ML高投资回报必要的第一步。AI系统通过实例来学习,它们拥有的高质量实例数据越多,就会学得越好。缺乏或只有低质量的训练数据可能会生成(本文来源于《计算机与网络》期刊2019年19期）
衡祥安,曾子林[9]（2019）在《基于数据分析的军人战斗体能训练与评估》一文中研究指出战斗体能是指军人在遂行战斗任务时完成相关行动所需的机体运动能力,除了体现身体机能外,还应体现战斗行动中身体机能与武器装备、战场环境和战斗技能等因素的结合。研究明确了战斗体能训练及评估等相关概念;以军校学员为研究对象,以训练数据为基础,通过对不同类型、不同专业学员长期训练数据的分析和挖掘,探索战斗体能训练中各训练科目间的关联性和相互支撑作用,寻找训练规律,创新训练方法;面向战斗任务,提出基于数据分析的战斗体能评估方法框架。(本文来源于《中国体育科技》期刊2019年08期）
刘建伟,刘大鹏,张宁[10]（2019）在《军事训练监察步入全新阶段》一文中研究指出近千组数据，涵盖军事训练方方面面，既直观反映军事训练监察的理念和方向，更折射我军实战化训练的进步和发展……初秋时节，跟随军事训练监察组一路发现，看似最枯燥的数据里竟然“别有乾坤”——3年多来，全军两级监察体系灵活采取全面检查与重点抽查(本文来源于《解放军报》期刊2019-09-23）
训练数据论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
数据可以说是人工智能的燃料。但随着AI落地各个应用场景，数据隐私泄露问题日益严重。数据的交流使用和数据的隐私保护似乎成为了不可调和的矛盾。如何在不泄露各自数据隐私的情况下实现数据的共享和模型的共建，同时连通数据割裂的孤岛是当前所面临的问题。目前各
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
训练数据论文参考文献
[1].马晨,姜晓丹,孙超.我的工作在线上[N].人民日报.2020
[2].马爱平,马越.AI训练遇隐私难题联邦学习这样打通数据孤岛[N].科技日报.2019
[3].贾东明,姜祖桢,郭崧.试论“人工智能+大数据”在司法行政戒毒人员康复训练工作中的应用[C].第十一届全国体育科学大会论文摘要汇编.2019
[4].马策,王伟.Firstbeat训练负荷监控数据与比赛成绩的相关性研究[C].第十一届全国体育科学大会论文摘要汇编.2019
[5].李晓焱,张莉清.基于运动训练学视角下体育大数据应用研究[C].第十一届全国体育科学大会论文摘要汇编.2019
[6].孙扬,王然.抗阻训练强度与量对高力量水平男性运动员发力速率的影响——基于数据级数推断的分析[C].第十一届全国体育科学大会论文摘要汇编.2019
[7].李杰,彭晓明.基于ARIMA模型的军事训练数据分析和预测[J].舰船电子对抗.2019
[8].宋茜.制定机器学习训练数据策略的6个技巧[J].计算机与网络.2019
[9].衡祥安,曾子林.基于数据分析的军人战斗体能训练与评估[J].中国体育科技.2019
[10].刘建伟,刘大鹏,张宁.军事训练监察步入全新阶段[N].解放军报.2019