|本期目录/Table of Contents|

[1]汪亚明,李斌权,韩永华,等.基于改进ELM的撑杆跳起跳过杆轨迹模型研究[J].浙江理工大学学报,2018,39-40(自科1):75-81.
　WANG Yaming,LI Binquan,HAN Yonghua,et al.Research on trajectory model of pole vault based on improved extreme learning machine[J].Journal of Zhejiang Sci-Tech University,2018,39-40(自科1):75-81.
点击复制

基于改进ELM的撑杆跳起跳过杆轨迹模型研究()
分享到：

浙江理工大学学报[ISSN:1673-3851/CN:33-1338/TS]

卷:
第39-40卷
期数:
2018年自科1期
页码:
75-81
栏目:
出版日期:
2017-12-31

文章信息/Info

Title:
Research on trajectory model of pole vault based on improved extreme learning machine
文章编号:
1673-3851 (2018) 01-0075-07
作者:
汪亚明; 李斌权; 韩永华; 马可
浙江理工大学，a.信息学院；b.体育部，杭州 310018
Author(s):
WANG Yaming;  LI Binquan;  HAN Yonghua;  MA Ke
a.School of Information Science and Technology; b.Department of Physical Education, Zhejiang Sci-Tech University, Hangzhou 310018, China
关键词:
起跳过杆; 极限学习机; 差分进化算法; 正则化; 运动轨迹
分类号:
TP399
文献标志码:
A
摘要:
目前对起跳过杆的研究仅仅专注于某一个环节，并未考虑到其他环节间的影响，为此对运动员关键部位进行标记，利用三维红外运动捕捉系统对整个起跳过杆过程进行研究。针对起跳过杆的特点，提出了一种改进的极限学习机算法。首先根据结构风险最小化理论对极限学习机进行正则化；然后利用差分进化算法的全局寻优能力对极限学习机隐层参数的选取进行优化，提高精度；最后建立起跳过杆模型。撑杆跳高的实验结果表明，该算法能有效克服极限学习机易出现过拟合的缺点，具有更好的泛化能力。仿真实验结果表明该方法有效。

参考文献/References:

［1］ 陈庆杰，单吉谭.中国优秀女子撑竿跳高运动员技术研究现状［J］.辽宁体育科技，2005，27（3）:70-71.
［2］ Fukushima T， Nishikawa S， Kuniyoshi Y. Active bending   motion of pole vault robot to improve reachable height［C］//2014 IEEE International Conference on Robotics and Automation（ICRA）. IEEE，2014:4208-4214.
［3］ Liu G， Nguang S K， Zhang Y. Pole vault performance for anthropometric variability via a dynamical optimal control model［J］. Journal of Biomechanics，2011，44（3）:436-441.
［4］ Nishikawa S， Fukushima T， Kuniyoshi Y. Effective timing of swingup motion by a polevaulting robot［C］//International Conference on Advanced Robotics. IEEE，2013:1-6.
［5］ 李北玉.对影响撑竿跳高运动成绩的主要因素探讨［J］.首都体育学院学报，2001，13（1）:61-63.
［6］ Huang G B， Zhu Q Y， Siew C K. Extreme learning machine: a new learning scheme of feedforward neural networks［C］//IEEE International Joint Conference on Neural Networks，2004. Proceedings. IEEE，2004，2:985-990.
［7］ Huang G B， Zhu Q Y， Siew C K. Extreme learning machine: Theory and applications［J］. Neurocomputing，2006，70（13）:489-501.
［8］ 邓万宇，郑庆华，陈琳，等.神经网络极速学习方法研究［J］.计算机学报，2010，33（2）:279-287.
［9］ 吴登国，李晓明.基于极限学习机的配电网重构［J］.电力自动化设备，2013，33（2）:47-51.

备注/Memo

备注/Memo:
收稿日期： 2017-06-20
网络出版日期： 2017-10-10
基金项目： 浙江省自然科学基金重点项目(LZ15F020004)；机械工程浙江省高校重中之重学科和浙江理工大学重点实验室优秀青年人才培养基金(ZSTUME01B17)；浙江理工大学521资助项目；浙江省自然科学基金一般项目(LY17F020034)
作者简介： 汪亚明(1972-)，男，浙江衢州人，教授，主要从事图像处理模式识别等方面的研究
通信作者： 韩永华，E-mail:hanyonghuahan@163.com
更新日期/Last Update: 2018-03-13