类角加速度（精选5篇）
类角加速度 篇1
加速度是描述质点速度变化快慢的物理量, 其定义式为. 由牛顿第二定律可知, 对于质量为m的质点所受合外力为F时, 有此为加速度的决定式. 在运动学中, 加速度保持不变的运动是典型的匀变速运动, 然而, 实际中质点的运动是复杂的, 加速度往往随时间或位移发生变化. 由于该类问题的定量研究涉及微积分知识, 因此, 在中学阶段这类问题一般以图象形式呈现, 结合图象来考查变加速运动. 下面以加速度的两类图象为例, 谈谈依据图象的特征解决变加速运动的方略.
一、加速度随时间变化的图象
例1将一只皮球竖直向上抛出, 皮球运动时受到空气阻力的大小与速度的大小成正比. 下列描绘皮球在上升过程中加速度大小a与时间t关系的图象 ( 图1) , 可能正确的是 ( )
二、加速度随位移变化的图象
例3如图3所示, 一轻质弹簧竖直立在水平地面上, 弹簧一端固定在地面上. 一小球从高处自由下落到弹簧上端, 将弹簧压缩至最低点. 在小球开始下落至最低点的过程中, 弹簧始终处于弹性限度内. 在此过程中, 能正确表示小球的加速度a随下降位移x的大小变化关系的图象 ( 图4) 是 ( )
解析: 小球在接触弹簧之前作自由落体运动, 加速度为重力加速度g; 小球接触弹簧后, 弹簧弹力逐渐增大, 小球做加速度逐渐减小的加速运动, 由牛顿第二定律有 ; 达到平衡位置时, 加速度为0, 随后, 弹簧弹力逐渐增大, 小球做加速度逐渐增大的减速运动, 直到速度减为0, 该过程中, 仍然有但加速度方向改为竖直向上. 结合运动的对称性分析, 小球达到最低点时的加速度应大于重力加速度. 以上分析表明, 加速度a与x构成线性关系, 该过程中斜率不变, 因此选项 ( B) 正确.
一种并行的加速k-均值聚类方法 篇2
聚类作为一种典型的数据挖掘方法,目前已在图像识别、股票分析等领域得到成功应用[3,4]。其任务是从大规模数据集中发现相似的类别,将样本划分为多个不重合的子集。在聚类结果中,相同类内样本应具有较大相似性,不同类间样本具有较大相异性。目前,常见的聚类模型包括:划分聚类[5]、层次聚类[6]、密度聚类[7]、网格聚类[8]、概率聚类[9]和谱聚类[10]等。
在这些聚类方法中,k-均值聚类是一种最为经典使用最为广泛的划分聚类方法[11,12]。k-均值聚类方法以各类样本的质量中心代表该类进行迭代,从而通过不断地动态调整各类中心进行聚类。但是,k-均值聚类算法复杂度高,对大规模数据无法进行有效聚类。因此,如何采用k-均值聚类方法解决大规模数据的聚类问题一直是聚类分析领域的一个研究热点。
随着数据挖掘领域处理样本规模的日趋增大,要求研究人员能够提出高效的挖掘算法来处理海量数据问题。并行计算作为一种定量、精细、高效的方法在海量数据挖掘中得到了成功的应用[13]。狭义上的并行计算是指在并行/分布式计算机上所做的计算,从广义上讲,将多个问题同时求解的过程都可以看做是并行计算的过程。尽管目前已经有学者提出了一些基于并行计算的聚类技术以改进传统的聚类方法[14,15],但是,这些技术效率还不足够高,对于大规模数据的聚类问题的处理能力依然有限。因此,如何结合并行计算技术进一步提高k-均值聚类方法处理海量数据的能力依然是一个值得探讨的问题。
针对传统k-均值聚类方法不能有效处理海量数据聚类的问题,该文提出一种基于并行计算的加速k-均值聚类方法。该方法首先将聚类样本随机划分为多个独立同分布的聚类工作集,并在每个工作集上并行进行传统k-均值聚类,对聚类后的每个类计算其中心和半径,通过衡量不同工作集聚成的子类的中心和半径,对不同工作集的子类进行快速合并,并对子类中的少数特殊数据进行二次归并以校正聚类结果,从而有效处理海量数据的聚类问题。
1 基于并行计算的加速k-均值聚类算法
1.1 k-均值聚类方法
设数据集X={x1,∙∙∙,xi,∙∙∙xn}且xi∈Rd,其中n为样本个数,d为样本维度,k为聚类之前指定的聚类个数。传统k-均值聚类算法首先随机选择k个样本作为初始聚类中心C={c1,∙∙∙,cj,∙∙∙,ck},然后计算每个样本xi∈X到聚类中心cj∈C的距离d(xi,cj),根据每个样本到聚类中心的距离将样本划分到与之最近类中,并计算更新后每个类的中心C,如此循环迭代直到更新后的类中心与更新前一致时停止。
由于传统k-均值聚类方法由于在每次迭代聚类时都需要衡量所有样本到每个类中心的距离,因此算法复杂度为O(nkq),其中,q为聚类迭代次数。当数据规模较大时,算法往往需要很多次迭代才能结束,运行效率较低,不能够有效处理海量数据的聚类。
1.2 并行的加速k-均值聚类方法
针对传统k-均值聚类方法不能有效处理大规模数据聚类的问题,该文结合并行计算思想,提出一种基于并行计算的加速k-均值聚类方法(Pk-means)。该方法首先将聚类样本集X随机划分为多个独立同分布的聚类工作集,即X→{X1,∙∙∙,Xj,∙∙∙,Xm},并在每个工作集Xj上并行进行传统k-均值聚类,得到聚类结果Xj→{Xj1,∙∙∙,Xjp,∙∙∙,Xjk}。然后,对于每个聚类后得到的类Xjp(共mk个),求解其类中心cjp和类半径rjp,然后通过衡量不同工作集中类中心之间的相似度,将相似度最高的合并为一个类,类中心(两个不同样本)相似度的求法如下:
与第i个工作集中第p个类合并的第j个工作集中类别确定方法为:
将每个工作集的聚类结果均按照上述规则进行合并,最后得到一个划分,即X→{X1,∙∙∙,Xt,∙∙∙,Xk},并计算其新的中心C={c1,∙∙∙,ct,∙∙∙,ck}及半径R={r1,∙∙∙,rt,∙∙∙,rk}。然后判断聚类结果是否需要更新,若rt<=range,则不更新,否则对子集Xt中符合条件(3)的样本按照式(4)进行更新。
基于并行计算思想的k-均值方法由于将样本划分为n k的大小,且并行执行传统k-均值聚类方法,所以初始复杂度为O(nq'),其中q'为每个工作集进行传统k-均值聚类的最大迭代次数,且易得到q'<
基于并行计算的k-均值方法具体如下:
初始化:设数据集为X={x1,∙∙∙,xi,∙∙∙xn}(其中xi∈Rd),随机划分工作子集参数为m,工作子集聚类参数为k,聚类结果更新参数为range。
Step1:将样本集X随机划分为m个工作子集,即得到划分模式X→{X1,∙∙∙,Xj,∙∙∙,Xm}。
Step2:对每个工作子集Xj进行k-均值聚类,得到每个工作子集的聚类模式Xj→{Xj1,∙∙∙,Xjp,∙∙∙,Xjk}。具体方法如下:
Step2.1:在每个工作子集Xj随机选择k个样本作为初始聚类中心;
Step1.2:根据式(5)计算每个样本xjq与所有不同类Classjp之间的相似度,并将xjq归为与其最相似的类中心所属的类;
Step1.3:根据式(6)计算样本重新分配后的第每个类的中心Cj={cjp}kp=1
Step1.4:若类中心有更新,则返回Step1.2继续聚类,直到类中心不发生更新时迭代停止,得到每个工作子集Xj的聚类结果Xj→{Xj1,∙∙∙,Xjp,∙∙∙,Xjk}。
Step3:根据式(1)计算不同工作子集中的类之间的相似度,并根据式(2)合并工作子集的聚类结果,从而生成对整个数据集X实现k类的划分,即X→{X1,∙∙∙,Xi,∙∙∙,Xk}。
Step4:根据式(3)和式(4)对聚类结果进行更新调整,从而得到更为优秀的聚类结果X→{X1opt,∙∙∙,Xiopt,∙∙∙,Xkopt}。
算法结束。
2 实验结果及分析
为验证基于并行计算的k-均值方法聚类方法处理大规模数据聚类的有效性,该文在一个人工构造的模拟的社会网络社团结构数据集上进行了实验,并将聚类结果与经典k-均值聚类方法所得到的结果进行了比较。实验在1台PC机(2.66Ghz CPU,1G内存)上进行,实验平台是Matlab2008。
为充分反应本文提出的并行加速k-均值聚类方法的有效性,实验构造了两组数据集。第一组数据集中,人工模拟的网络社团机构数据集包含100个顶点,它们被划分成相同大小的4个社团结构,每个社团结构包含25个顶点,且所有顶点的度均符合如下条件:
其中zin为每个顶点随机指向落在相同社团中顶点的有向边数目,zout为每个顶点随机指向落在不同社团中顶点的有向边数目。网络中100个顶点在zin=12,zout=3时被划分成4个社团结构时的示意图如图1所示,第二组实验数据与第一组构造方法一致,但数据规模扩大了20倍。
本文从两个方面衡量了算法的性能,即聚类结果的抱团性和聚类时间。。聚类抱团性的定义如下:
为充分反应本文提出的基于并行计算的加速k-均值聚类方法的性能,实验中与传统k-均值聚类方法进行了对比。两组实验中子集划分参数m分别取5和10,聚类个数参数均为4,聚类结果更新参数为range取当前类的1.2倍数值,所得实验结果见表1。
从以上实验结果可以看出,在构造的网络社团结构数据集上,当样本规模为100时,该文提出的基于并行计算的k-均值聚类方法的J值较高,样本的抱团性较差,聚类时间与传统k-均值聚类方法有一些提高;但是,当样本规模增加到2000时,该文提出的基于并行计算的k-均值聚类方法的J值接近于传统k-均值聚类方法的J值,而聚类的时间则只有传统k-均值聚类方法的25%左右。
综上可看出,由于本文提出的Pk_means聚类方法采用了并行计算的模式,并且采用了独立同分布的样本初始工作集划分方法,因此能够以较高的训练效率处理大规模数据的聚类问题,同时保证了聚类结果的抱团性能。
3 结论
类角加速度 篇3
目前, 国内外检测机构的耐久性测试方法基本分为两类:一类是气动法, 气泵连接电子气动阀, 通过气动阀开启/关闭状态的切换, 推动执行杆周而复始往返运动, 完成插座的耐久性测试。另一类是机械法, 机械转动机构往复运动, 完成插座的耐久性测试。上述两种测试方法结构简单, 技术成熟, 但多年测试实践中发现均存在一定的不足:1.两种方法均无法完美地模拟人们插拔插头和耦合器时的实际状况;2.气动法由于气动元件本身寿命的关系, 机构运维工作量和费用过大, 测试成本太高;3.机械法的被测件装夹工作调试难度大, 操作极其繁琐。4.机构定位精度较低, 人工依赖性强, 测试结果一致性差。
针对上述不足, 本文提出一种新型的耐久性测试系统与方法:采用步进电机作为执行器。随着步进电机日趋成熟, 诸如零漂、抗干扰、可靠性、精度等指标均取得重大进步, 利用步进电机良好的稳定性, 精准的行程控制, 有效地解决了测试机构定位精度低, 后期运维成本高, 一致性差等问题。但是必须指出, 因为其机械传动副不可压缩性, 步进电机执行器对行程位移的正偏差必须有严格限制。
一、数学模型的建立
以插头插座系统的插合为例, 日常人们在进行插头插合时一般情况是手持插头快速接近插座, 然后缓慢平稳的用力将插头插入, 直至插头插合面与插座表面完全贴合。拔出插头时过程正好与之相反。
1.1理想速度/加速度-时间曲线的选择。基于对现实插头插拔工况的模拟, 耐久性测试执行端选择的速度~时间、加速度~时间曲线借鉴电梯行业推崇的“理想速度曲线”。如图1 (a) (b) 所示。
图1 (a) 是从插头的速度视角考量, “理想速度曲线”分为起动加速、匀速运行和制动减速三段, 同时起/制动段曲线呈镜像对称;始自点O、终至点G。图1 (b) 从插头的加速度视角考量“理想速度曲线”, VO~VA、VA~VB、VB~VC、VC~VD、VD~VE、VE~VF和VF~VG将插头行程的加减速过程分为7个阶段:加加速段、匀加速段、减加速段、匀速段、加减速段、匀减速段、减减速段。
“理想速度曲线”避免了加速度的突变, 消除了测试过程中因加速度突变引起的力突变冲击, 有助于减少步进电机丢步的发生概率、延长设备的使用寿命、提升耐久性测试的精度和一致性。
1.2双模控制。综合考虑测试效率和精度, 根据插头和插座是否接触, 将测试行程分为插拔子行程 (Sinsert) 和非插拔子行程 (Sno-insert) 。其中系统测试效率取决于非插拔子行程的速度, 精度取决于插拔子行程对步进电机位移量的控制。双模控制由并列的速度开环控制和位置闭环控制组成;插头插拔的一个移动来或回行程由速度开环控制的位移及位置闭环控制的位移构成, 两位移分别参照电梯行业的“理想速度曲线”、经“预减速度值”修正的“理想速度曲线”进行控制。
尽管步进电机技术日趋成熟, 各项指标均取得重大进步, 但综合考虑电气传动误差和机械传动副的间隙误差、以及长期测试导致的电气设备参数变化和机械磨损误差。在长期测试后, 测试行程存在一定的位移误差±ΔS (ΔS>0) ;就测试系统的刚性执行机抅步进电机而言, ΔS对测试可靠性、测试精度的影响巨大:+ΔS时、插头与插座间会出现极大的压力甚至压碎插座或插头、-ΔS时、插头未按标准要求完全插入插座致使测试结果严重失真, 因此需对基于“理想速度曲线”的插头开环控制作修正:在距终点Sinsert+ΔS处设置接近开关作为对于速度曲线的修正。
控制流程按时间先后排序:第一步, 步进电机带动标准插头移动至该行程的末端, 即“理想速度曲线”的加加速、匀加速、减加速、匀速、加减速、匀减速段及减减速段的前段, 双模控制中的开环控制使能, PLC读取“理想速度曲线”对应的“理想速度频率表”、速度开环控制插头移动;第二步, 接近开关捡测标准插头到达行程的末端位置, 位移脉冲计数器清零, 消除速度开环控制段的误差, 控制切换至第2种控制模式--位置闭环控制;第三步, PLC读取经“预减速度值”修正的“理想速度频率表”, 位置闭环控制插头移动:PLC逐一读取修正的“理想速度频率表”的脉冲频率, 脉冲计数器N0预置的位移值减去脉冲频率*采样周期, 直至读完“理想速度频率表”;此时, 预置的步进电机脉冲数仍大于0, 按理想速度频率表的最小值继续驱动步进电机, 並从脉冲计数器中扣除脉冲数, 直至位移脉冲计数器为零。
1.2.1非插拔子行程。非插拔子行程的设计以系统测试效率为目标, 如图1 (a) 中所示, 行程经过VO~VA、VA~VB、VB~VC、VC~VD、VD~VE、VE~VF这6个阶段。
VO~VA、VB~VC、VD~VE段行程的加速度均为匀速变化, 因此其位移计算公式分别如公式 (1) 、 (2) 、 (3) 所示:
由于“理想速度曲线”呈镜像对称, 因此
而VA~VB、VE~VF、均为匀加速变化, 因此其位移与加速度计算如公式 (4) 、 (5) 所示:
VC~VD段行程为匀速过程, 其位移计算如公式 (6) :
1.2.2插拔子行程插拔子行程的设计是以系统的测试精度为目标, 模拟人工插头插入插座的实际工况, 其行程如图1 (a) 中VF~VG所示为加减速至速度为0的过程。拔出插座的过程为该过程的镜像过程。由于对其位移的正偏差需要严格控制, 因此, 采用位移闭环控制算法--读取“理想速度曲线”对应的步进电机脉冲频率f, 位移闭环控制脉冲数计数器N=N-f*Ts、直至N=0, 其中f是对应理想速度的步进电机脉冲频率、Ts是采样周期,
1.3相关技术参数的推导。步进电机驱动执行端进行一定的位移所需的脉冲数如公式 (7) 所示:
N0为行程的必要脉冲数;l执行端移动的距离;d步进电机的轴芯直径;β滚轴丝杠放大倍率;θe步进电机固有步距角;m步进电机细分数。
二、控制电路设计
用户通过上位机人机交互界面自动采集测试系统的各项定位参数, 借助上位机下发控制命令。下位机PLC接收上位机发送的参数、命令等信息, 转化成相应的速度指令、首先开环控制步进电机并驱动相应的机构执行非插拔子行程, 执行器移动到接近开关, 触发中断指令。位移脉冲计数器预置插拔子行程位移值、清除速度开环控制段的误差, 并立即切换到第2种控制模式-位置闭环控制。
测试系统采用PLC控制, 如图2所示, 通过RS485连接上位机, 用以接收上位机数据及指令。中断端口INT连接接近开关信号端, 接收接近开关的中断指令。数字量输入口DI0-DI5分别接入三轴点动装置的指令信息。模拟量输出端口AO0-AO5分别连接X轴、Y轴、Z轴步进电机驱动模块。其中X轴、Y轴步进机构用来提供水平面的目标定位。插头插拔流程仅涉及Z轴步进机构。其中α为加速度, κ为加速度变化的斜率。
三、测试验证
执行端“理想速度曲线”采用静态曲线法生成, 上位机确定的参数如下:非插拔子行程距离、插拔子行程距离、通断电时间;离线计算出“理想速度曲线”, 再以采样周期TS=1ms离散速度曲线, 取出各采样点的速度并换算成对应的频率值, 形成“理想速度频率表”。
在本例验证实验中, 设定修正后的插座插拔测试的非插拔子行程的位移如§1.2.1所述:
根据GB1002-2008《家用和类似用途单相插头插座型式、基本参数和尺寸》中图3[4]的要求, 对于单相系统中的插头插销长度最长为21±0.42mm, 因此插拔子行程Sinsert+ΔS应大于其插销长度值。在本例中, 将Sinsert+ΔS设为25mm。
参照GB2099.1-2008《家用和类似用途插头插座第1部分:通用要求》中规定, 插座耐久性试验的一个周期 (插拔一次为一个周期) 中通电时间1.5s, 断电时间2.5s。
因此, 设定插头一个插入行程的时间为1s, 其中非插拔子行程运行时间为0.7s, 包括加速时间为0.15s, 匀速时间为0.45s, 减速时间为0.1s;插拔子行程运行时间为0.3s。插头的拔出行程与插入行程镜像相反, 插拔过程的停顿间隔时间为0.5s。
采用的步进电机机构布距角为0.9°, 细分数为2, 转轴直径为12mm, 滚轴丝杠放大倍率为1.1。
3.1理想频率表的计算。脉冲当量△L定义为每一个脉冲对应的执行端直线位移, 单位为mm/脉冲, 其计算如公式 (8)
本例中的△L=0.05mm/pulse;控制器发出一个脉冲, 执行端前行0.05mm;插头尺寸要求“精度”为0.1mm, 因此, 位置误差不能超过2个脉冲当量。
对插拔子行程端最后25mm对应的频率值进行“预减速度值”频率修正, 即减去预设的固定微小脉冲频率值∆f (本例中设定∆f=1) , 得出“理想速度频率表”见表1。
3.2测试程序代码.双控模式PLC的VHDL示例代码的说明如下:Speed Openloop_end为速度开环控制结束标志符, 值为1时表明速度开环控制结束, 0表示未结束;Position Loop_begin为位置闭环控制开始标志符, 值为1时表明位置闭环控制开始, 0表示未开始。
V H D L模块根据“速度开环控制结束标志符”Speed Openloop_end和“闭环控制开始标志符”Position Loop_b e g i n的值对“理想速度频率表”的地址进行操作;速度开环控制时, 从理想速度频率表的起始地址读取理想速度频率, Speed Openloop Table_addr是理想速度频率表的地址指针, 输出预存的“理想速度频率表”中相应的频率值, Speed Openloop Table_addr递增。当速度开环控制结束, Speed Openloop Table_addr返回理想速度频率表的起始地址, 位移脉冲计数器预置插拔子行程的的移值 (位移脉冲数) ;从位置闭环速度曲线对应的频率表地址Position Loop Table_addr开始、即经“预减速度值”修正的“理想速度频率表”的起始地址读取频率值--位置闭环速度频率值, 输出相应的脉冲, Position Loop Table_addr递增;直至读完“理想速度频率表”;Position Loop Table_addr返回经“预减速度值”修正的“理想速度频率表”的起始地址。
示例代码如下:
四、结论
基于“理想速度曲线”及其“修正曲线”的测试速度控制策略, 更好的模拟了实际操作的情况, 有效的解决了利用步进电机替代气动系统而产生的系统刚性问题。
“理想速度曲线”无加速度突变、消除了加速度突变引起的冲击, 修正的“理想速度曲线”确保执行端移动方向的单一性、降低了机械传动副的间隙误差, 消除了步进电机机构位移正偏差带来的额不利因素。双模控制的“速度开环控制”保证了检测效率, “位置闭环控制”保证了检测精度。通过大量试验验证该测试方法高效可行, 稳定可靠。
参考文献
[1]罗怀平, 王可健, 单朝兰, 等.GB2099.1-2008家用和类似用途插头插座第1部分:通用要求[S].中国标准出版社, 2008.
[2]罗怀平, 丁汉辉, 李友庆, 等GB/T11918-2001工业用插头插座和耦合器第1部分:通用要求[S].中国标准出版社, 2002.
类角加速度 篇4
1 田径运动体能训练概述
1 . 1 田径运动项群体能训练的意义
通常来说, 对于田径运动而言, 加强运动员体能方面的训练尤为重要。通过科学体能训练, 使运动员身体素质在短时间内达到竞技要求, 并有助于运动员始终保持良好体能状态[1]。通常来讲, 体能不是单一的概念, 更是运动员本身各项综合素质以及运动员身体状态等方面有效体现。从一定程度上讲, 体能训练可以大大促进运动员体能的不断提高。然而, 运动员本身生理及心理等方面需求, 也会对体能训练项目进行影响, 使体能训练作出相应改变, 更具有针对性特点。对于田径运动而言, 本身讲求速度和力量, 因而体能训练也应从这两个方面做起。相对而言, 体能训练过程中, 还应根据运动员实际特点, 制定科学有效体能训练策略。在体能训练的过程中, 相对较为枯燥, 需要达成某一重复性目标, 并针对这一重复性目标进行不断训练。例如对于跳远项目来说, 通过制定同一重复性目标 (例如目标为8.00 m) , 只有连续n次达到这一重复性目标, 才能达到体能训练真实目的。通常来说, 在项群体能训练过程中, 还应针对于运动员身体方面不同指标展开训练, 例如应训练运动员生理学指标、身体形态等。
1 . 2 田径运动项群体能训练具有实际特点
概括来说, 项群训练过程中具有的实际特点包括两个方面, 一是加强整体性训练, 二是在加强整体性同时注重专项训练方面的兼顾。通常来说, 根据项群训练本身实际特点, 训练针对于整体, 而不是单单对于某一项目或者某一个人。与此同时, 体能训练还应切实具备一定计划性和目的性, 应不断促进运动员体能方面发展[2]。训练应针对运动员本身实际情况加以考虑, 并对运动员体能发展制定科学战略计划, 合理选择训练方式方法, 这样才能起到体能训练真正实效。实际训练阶段还应有效确定训练强度及内容, 对于运动员休息时间也应力求科学合理, 这样才能切实避免机体劳损等现象发生。通常来说, 从整体性角度考虑, 运动员需达到身体各部分组织之间的相互协调, 因而应从协同锻炼的角度进行着手。在项群训练阶段, 运动员还要加强个人专项性训练, 将训练子模块真正落到实处, 力求做到整体与专项之间的协调统一, 力求实现运动员体能方面有效增强。
2 现代田径运动速度力量类项群体能训练要点
2 . 1 将体能训练和专项训练进行有机结合
通常来说, 项群训练阶段, 还应遵循专业训练理论方法。项群训练按照类型不同, 主要包括两个方面, 一是一般性训练, 二是专项训练。两者之间应注重有机结合, 只有保障一般性训练开展的前提下, 才能着重加强运动员专项训练。对于体能训练而言, 不应该单纯的进行训练, 必须与实际项目进行有机结合, 一方面使训练不至于显得单调乏味, 另一方面可以对体能训练实际效果做出相应检验。体能训练过程中, 应切实达到一定目标, 对于田径运动员而言, 应使其体能得到快速恢复, 并促进运动员始终保持良好高竞技状态。由此可见, 体能训练本身能起到良好基础作用, 属于基本功范畴, 而不属于运动项目。项群训练阶段, 针对于实际训练项目, 应注重体能训练在其中的实际运用, 这样才能真正起到良好实际训练效果。
2 . 2 注重不同技术动作方面组合训练
通常来说, 技术训练对于运动员而言尤为重要。在技术训练过程中, 注重体能的分配和应用, 对于体能恢复也能起到良好实际效果。体能训练主要针对于运动员本身的实际特点, 而技术训练针对于某个专项, 通常技术训练只需要个人为单位就能开展进行。在实际技术训练过程中, 每一技术专项存在较为明显差异, 运动员应对技术要领进行逐一掌握。项群训练阶段, 不单单要求大力开展专项训练, 更要求注重实际训练阶段, 在动作方面应切实保持两季联动性, 这样才能有助于专项竞技得到切实锻炼。通常来说, 对于田径运动而言, 动作衔接在比赛过程中发挥十分重要作用, 甚至于发挥决定性作用。对于跳远运动员而言, 动作衔接连贯, 才能跳的更远, 如果一味追求腾空速度, 反而容易起到反作用。对于铅球运动员而言, 同样动作衔接连贯才是真正最重要的事情。
2 . 3 加强运动员关于技术动作方面控制
通常来说, 每一个成功田径运动员都有自身特别突出技术特点, 这些技术特点与平日刻苦训练密切相关。除后天锻炼外, 还和运动员本身生理结构、运动员个人喜好、对动作理解一系列因素相关。尽管实际项群训练阶段, 技术动作看似相对并不复杂, 姿势也相对较为固定, 但实际训练效果却大不相同。由此可见, 只有经过长期反复不断训练, 才能加深技术动作方面理解, 使运动员真正提高自己[3]。对于优秀运动员而言, 除在技术动作方面较为灵活之外, 运动员还具备良好细节感知能力。在实际技术训练阶段, 单单靠技术动作标准是不能满足实际需求的, 还应力求技术动作遵循相应的生物学规律, 并切实加强与自身实际特点联系, 这样才能真正促进动作技术方面不断增强。
2 . 4 注重技术训练方面的质量和强度
对于田径运动而言, 本身属于高强度运动项目。由此可见, 体能训练也应从高强度方面入手, 这样才能充分符合现代田径运动发展。在此过程中, 应切实注重高强度条件下技术动作与体能的完美契合, 这样才能真正有利于运动员自身成绩方面提高。只有经过必要高强度训练, 才能让运动员得到有效适应, 并能充分应对激烈比赛, 同时也有助于完美经济状态激发。从身体结构上讲, 高强度训练下, 运动员从以下几个方面得到提高:第一, 运动员肌肉力量不断得到增强, 肌肉结构也更加符合运动员实际特点。第二, 运动员心理素质得到有效锻炼, 使运动员能够有效面对各种压力。第三, 运动员意志力也得到不断提高, 能有效克服训练过程中的实际困难。
2 . 5 切实处理好训练强度和间歇时间之间关系
通常来说, 体能训练并不是完全不进行休息, 适当的休息反而对运动员有利。由此可见, 应根据运动员自身实际特点, 科学进行间歇时间方面分配。对于田径运动员而言, 还应根据运动员耐氧力方面不断加强训练, 使运动员最大摄氧量切实得以不断提高。在实际训练阶段, 应在一定强度下开展进行, 一旦强度方面不能满足要求, 在经过一定持续性训练之后, 运动速度会不断降低。与此同时, 一旦训练强度过大, 超负荷运动相对较为严重, 容易造成机体方面的劳损。经过大量研究表明, 通过进行重复强度训练, 在一定程度上切实促进运动员呼吸功能方面增强, 并切实保障肌肉耐酸力方面增强, 使运动员在长期高强度锻炼之下, 不至于产生过多疲劳。
3 结语
该文者浅要分析探讨现代田径运动开展过程中, 如何加强运动员体能训练, 并结合当前我国田径现状发表自己看法。尽管我国田径事业取得了一定程度发展, 但与田径大国之间差异明显。只有注重加强体能方面训练, 才能使运动员有效应对高强度竞技体育运动, 并促进运动员自身水平不断提高, 促进我国田径事业真正迈向新的台阶。
参考文献
[1]张卫.现代田径运动速度力量类项群体能训练的特点[J].广东教育学院学报, 2010, 30 (3) :94-98.
[2]潘小玲, 陈海鸥.试论田径运动速度力量类项群体能训练策略[J].四川体育科学, 2014, 33 (3) :57-58.
类角加速度 篇5
常规的系统评价方法存在一个共同特点,即采用“对数据结果或分布特征先作某种假定——按照一定准则建立显式评价函数——对建立的评价函数模型进行证实”这样一条证实性数据分析方法。目前常用的评价方法有:模糊综合评价方法在对各指标进行“特征化”处理后,会出现不同程度的信息丢失,为评价结论带来误差;AHP法和灰色关联评价法具有能解决多目标、多层次、多准则决策问题的优势,但评价结果往往受主观因素的支配与干扰;基于特征向量的最优综合评价法,不需人为确定权重,评价结果接近实际,但难于从系统各层次把握被评对象的综合水平及应采取的技术措施。而且由于数学化、形式化等局限性,这类方法对于处理某些高维度、非线性,非正态评价问题的适应能力不强。
针对上述问题, 学术界提出了直接由样本数据驱动的探索性数据分析方法,投影寻踪(Projection Pursuit,PP)方法[1,2]是这类方法的典型代表。所谓投影寻踪就是将高维数据向低维空间投影, 通过分析低维空间的投影特性进而来研究高维数据的特征, 是处理多因素复杂问题的统计方法。投影寻踪聚类(Projection Pursuit Cluster,PPC)模型则是依据投影寻踪思想建立的聚类分析模型, 它已被广泛应用于模式识别和多因素分析领域[3,4,5,6,7,8,9,10,11,12]。其基本思想是:把高维度的数据通过一定的组合投影到低维度子空间上,对于投影到的构型,采用投影指标函数(目标函数)来描述投影值,进而暴露原系统综合评价问题某种分类排序结构的可能性大小,寻找出使投影指标函数达到最优(即能反映高维度数据结构或者特征)的投影值,然后根据该投影值来分析高维度数据的分类结构特征(即投影寻踪聚类评价模型)。其中,投影指标函数的构造及其优化问题是应用PP方法能否成功的关键因素,其复杂性在一定程度上限制了PP方法的深入研究和广泛应用。为此,本文提出基于实数编码的加速遗传算法(Real coding based Accelerating Genetic Algorithm,RAGA)的投影寻踪聚类评价模型,并开展了相应的应用研究。
2 基于遗传算法的投影寻踪聚类评价模型
基于RAGA的投影寻踪聚类评价模型(Projection Pursuit Classification model based on RAGA,RAGA—PPC模型)的建模过程包括以下四个步骤:
(1)评价指标值的无量纲化
设各指标值的样本集(评价对象集)为{x*(i, j)|i=1～n, j=1～p}。其中x*(i,j)为第i个样本第j个指标值,分别为样本的个数(样本容量)和指标的数目。为消除各指标值的量纲和同意各指标值的变化范围,采用下式进行极值归一化处理:
式中, xmax(j), xmin(j)分别为样本集中第j个指标值的最大值和最小值。
(2)构建投影指标函数
PP方法就是把p维数据{x(i,j)|j=1～p}综合成以a=(a(1),a(2),…,a(p))为投影方向的一维投影值z(i):
然后根据{z(i)|i=1～n}的一维散布图进行分类。式(2)中的a为单位长度向量,即
在综合投影值时,要求投影值z(i)的散布特征应为:局部投影点尽可能密集,最好凝聚成若干个点团;而在整体上投影点团之间尽可能分散开。基于此,投影指标函数可构造为
式中, Sz为投影值z(i)的标准差, Dz为投影值z(i)的局部密度,即
式中,
(3)优化投影指标函数
① 投影指标函数的优化
当各指标值的样本集给定时,投影指标函数Q(a)只随投影方向a的变化而变化。不同的投影方向反映不同的数据结构特征,最佳投影方向就是最大可能暴露高维度数据某类特征结构的投影方向。可通过求解投影指标函数最大化问题来估计最佳投影方向,即
这是一个以{a(j)|j=1～p}为优化变量的复杂非线性优化问题,用常规优化方法处理较困难。模拟生物优胜劣汰规则与群体内部染色体信息交换机制的加速遗传算法(RAGA)是一种通用的全局优化方法,可用它来求解上述问题较为简便和有效。
② 基于实码的加速遗传算法原理及实现的流程
基于实码加速遗传算法(RAGA)的选择、交叉、变异是并行处理的,因此RAGA实际搜索范围广,得到全局最优点的机会也大。RAGA的循环可逐步调整、缩小优化变量的寻优区间,解的精度随着循环次数的增加可望逐步提高。
基于实码的加速遗传算法是分别在父代群体的基础上通过选择、交叉、变异算子得到3个子代群体,选择N(群体规模)个优秀个体作为下一代父代群体。有限次运算后进行加速遗传,缩小优秀个体选择的区间(分别将M次演化迭代的S个优秀个体共M×S个体的变化区间作为下一次加速遗传的变量区间),这样演化迭代与加速遗传的反复交替进行可实现遗传进化逐步向最优个体逼近,并且随着接近优秀个体,个体的密度加大,这样可在一定程度上减少早熟收敛的机率。加速遗传算法的流程见图1。
(4)聚类(优序排列)
把由(3)求得的最佳投影方向a*带入式(2)后即得各样本点的投影值z*(i)。投影值z*(i)与z*(j)越接近,表示样本i与样本j越倾向于归为一类。按z*(i)值从大到小排序,据此可把对样本集进行分类。
3 实例运用与分析
现以南京地区(5县4区)的农业生产力综合评价为例[13],进一步说明RAGA—PPC模型的应用。农业生产力综合评价指标体系包括劳动生产率、土地生产率、农业总产值、化肥用量、机械总动力、农村用电量、有效灌溉率、耕地复种指数、每劳动力负担耕地能力、净产值率、水稻气候生产力和小麦气候生产力共12项评价指标,因而指标样本集共有9个(5县4区),12个评价指标(已归一化处理),详见表1。
把该样本集依次代入式(2)、式(4)、式(5)、式(3),即得此例的投影指标函数,然后根据式(6)和式(7)所确定的问题,用RAGA进行优化,即可得到最大投影指标函数为1.02, 最佳投影方向a*=(0.348,0.125,0.095,0.046,0.279,0.503,0.188,0.302,0.286,0.427,0.249,0.262)。把a*代入式(6)后即得个样本的投影值z*(i),结果见表1和图2。
由表1和图2可知:
①该样本集按投影值的大小(即农业生产力综合水平从高到低)排序的样本序号依次为3(江宁县)、9(雨花区)、5(高淳县)、8(栖霞区)、1(六合区)、4(溧水县)、6(浦口区)、7(大厂区)和2(江浦县)。其中样本3和9可评为优,样本5、8和1可评为良,样本4、6和7可评为中等,样本2可评为差。该评价结果于文献[13]的最优综合评价法和多层次灰色关联评价法的结论基本一致。
②根据最佳投影方向,可进一步分析各评价指标对评价结果的影响程度。在本例中, a*值说明, 评价指标6、10、1、8、9、5、12、11、7、2、3和4对评价结果的影响程度依次减小,这可为各地区进一步提高农业生产力水平提供决策依据。
4 结论
投影寻踪模型(PPC)作为一种统计方法,将高维数据通过寻求最佳投影方向映射到低维子空间,将多项系统指标压缩为单向指标进行系统决策评价,可在很大程啡上避免个人主观因素对决策的不良影响,适用于数据量丰富、指标层明晰的评价体系。将基于实码的加速遗传算法(RAGA)与投影寻踪相结合, 解决了高维数据全局寻优的难题, 大大减少了寻优工作量,为高维指标评价与决策研究提供一条新的方法与思路。
本文给出了RAGA—PPC建模的详细步骤,采用实码加速遗传算法简化了投影寻踪的实现过程,克服了传统投影寻踪方法计算复杂、编程实现困难的缺点,并将其应用于农业生产力综合水平评价决策中,不仅得出南京各个区县的综合评判优劣排序, 而且由优化投影方向反映出各个评价指标对各样本总体评判的重要程度,其计算简便,适用性强,评价结果更加准确客观,为投影寻踪方法在各种综合评价中的推广应用提供了强有力的工具。
摘要：针对农业生产力综合评价这类高维指标体系决策问题,采用降维技术:投影寻踪分类模型,利用基于实数编码的加速遗传算法优化其投影方向,将多维数据指标(样本评价指标)转换到低维子空间,根据投影函数值的大小评价出样本的优劣,从而做出决策。该模型最大限度地避免了传统评判中权重取值的人为干扰,评价结果更为准确客观,为农业生产力综合评价决策及其它评判决策问题提供一条新的方法与思路。
【类角加速度】推荐阅读：