如何产生手腕暴发力(转)


很多人困扰于高远球打不深远, 扣杀无力, 反手回不到后场等问题. 并将此归咎于腕力不够. 我认为绝大多数是不会用腕力或不知其中的诀窍.

下面是产生手腕暴发力的简单步骤:

一. 引拍, 拍头后仰, 手心向上;

二. 用拍柄底部向球方向猛击, 导致手臂突然伸直. 此时手臂运动的突停使拍头自然向前高速甩出. 此时小臂内旋有控制拍子在惯性运动中的方向的作用.

这就是为什么教材中总强调打高远球手臂要伸直, 在头顶上方.  当然这也说明为什么有些腕力明显大很多的男生杀球或打后场不如技术好的女生.

(玄铁重剑:)

*手臂急停是为了在瞬间产生加速度让拍头在短时间内达到最高速,同时也是为了对击球方向的控制。

*小臂内外旋对发力是很重要的,如果觉得手腕僵硬而不利于发力,那多半是挥拍急停的协调性不够好,跟小臂旋转发力击球没有矛盾,说明白点就是只顾用力没有放松。

*现在的平抽快打技术一方面越来越强调减少手臂挥拍幅度,另一方面却要求增加手腕爆发力.伸直手臂发力是为了更多地借到腰、肩、上臂的力量,使击球力量更大,但到短兵相接的时候,就需要在各个方位不同姿势下都能发力了,这时候的发力就只能依靠小臂手腕手指的力量。

*小臂力和腕力其实概念应该是一致的,因为手腕的活动就是通过小臂肌肉的牵动产生的。一般人都知道手腕屈、伸发力这两个方向,却不知道外旋、内旋也是手腕发力的两个方向。

如果说手臂急停容易使力量聚集而伤到手臂,那就要多练手臂的力量了。

(  flax :)

    手腕僵硬与握拍太紧有关,一般不是由内旋造成的。但有些人为了手臂内旋而将拍握得过紧,这仍然是握拍的错而不是内旋的错。

    人的大臂、小臂的挥动,是不可能达到很大的速度的(击球取决于球拍的速度,而不是力量)。但大臂和小臂(尤其是小臂)再加上球拍,在挥动中是可以有较大动量的(准确地说,应该是包含动量和角动量)。但击球时这个动量只交换了一部分,因为还有大量的动量还在手臂上(质量*速度;转动惯量*角速度),由于拍头的速度不大,因此击球无力。

    怎样才能使拍头获得较大的速度呢?这要在击球前最后一瞬间,将手臂的动量转移到球拍上。好在人的手腕有较大的活动自由度,(注:手腕主动发力所产生的角速度是不大的,但手腕在甩动时却是可以获得较大的角速度的),这也就是打球体会深的人所说的“打球不是掰手腕,而是甩手腕”。那么手腕是怎样甩起来的呢?不妨体会一下模拟情况:

    拿一条湿毛巾,如果你把它向目标横扫出去,毛巾末端的速度不会太大,抽到人也不会太疼;但如果你把毛巾快速朝目标拖动,然后将手突然停下(或反向拉回),这时毛巾便形成一个波浪形往前冲去,当波浪冲到毛巾的末端,可听到“啪”的一声响,毛巾末端的速度非常大,如果抽到人,会很疼的。
    这就是为什么先把拍头后仰,拍柄向球的方向挥出(前半段运动相当于把毛巾朝目标拖动),当手臂挥到基本伸直时,放松的手腕会使球拍完成一个快速翻动(这个过程,即便暂不考虑腰褪的作用,仅由肩、肘、腕以及手掌与拍柄之间的虚位,相当于一个“多节棍”,可以和那条毛巾相比),球拍的快速翻动相当于波浪冲到毛巾末端时的情况,拍头可以获得很大的速度。

    因球拍和小臂还是有一点角度的,如果在此同时,手臂施加内旋,内旋也给拍头产生了一定的速度,这个速度和球拍快速翻动的速度叠加,能达到更高的速度。

根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值