37、运动性能相似性指标与子采样并发AdaBoost算法

运动性能相似性指标与子采样并发AdaBoost算法

在运动分析和机器学习领域，有两项重要的研究成果值得关注，分别是网球运动员运动性能的相似性指标研究以及用于处理大型数据集的子采样并发AdaBoost算法。

网球运动员运动性能分析

在网球运动员的运动性能分析中，通常需要完成以下步骤：
1. 估计与球接触的时间和位置。
2. 计算从起始位置到恢复位置的各段运动。
3. 提取每段运动的运动学参数。

值得注意的是，分段操作对分类器的准确性有很大影响，即使广泛使用动作捕捉（MoCap）数据，手动分段仍经常被采用。因此，避免分段阶段的努力将有助于推动提高球员技能支持工具的自动化。

由于球员之间存在很大的个体差异，研究人员专注于为每个球员开发精确的动态模型，这样可以更好地区分不同球员的表现。通过对高绩效球员的发球和正手动作分析发现，涉及上肢动态信息时，快速动作的表现有所提升。

研究提出的功能距离 $d()$ 允许对不同球员和不同组之间的表现进行评估。通过核主成分分析（KPCA）将从QKLMS模型得到的系数嵌入二维空间，能够为高绩效球员实现更好的聚类。例如，根据轮廓系数（0.92），发球动作中的高绩效球员形成了一个清晰的聚类，其他聚类也有一定改善。

基于核的训练是一种数据驱动的方法，它有效地编码了MoCap轨迹的随机行为。这里使用的QKLMS模型可以寻找通道之间的时间关系，即使对于相邻帧变化较大的动作也适用。通过基于核的方法得到的动态模型以及引入的相似性指标，能够更准确地评估球员在网球场上的运动性能，且实现复杂度较低。

子采样并发AdaBoost算法

在机器学习领