Predicción precisa de la velocidad de lanzamiento para los atletas en el evento aéreo de esquí de estilo libre basado en el aprendizaje de transferencia profunda

Scientific Reports volumen 13, Número de artículo: 4308 (2023) Citar este artículo

473 Accesos

12 Altmetric

Detalles de métricas

Una corrección del autor de este artículo se publicó el 08 de mayo de 2023

Este artículo ha sido actualizado

La obtención automática de la velocidad de lanzamiento son poderosas garantías para que los deportistas en las pruebas aéreas de esquí freestyle logren buenos resultados. En la mayoría de los estudios publicados que describen a los atletas que obtienen puntajes altos, la distancia de deslizamiento asistida depende completamente del entrenador e incluso de la propia experiencia del atleta, que puede no ser la óptima. El objetivo principal del presente trabajo es utilizar un sistema de adquisición y desarrollar un modelo de red neuronal artificial (ANN) para obtener automáticamente la relación correspondiente entre la distancia de deslizamiento asistido y la velocidad. La influencia del coeficiente de fricción de la nieve, la velocidad del viento, la dirección del viento, la pendiente, la altura y el peso se pueden simular en el motor Unity3D. La influencia de la temperatura, la humedad y el ángulo de inclinación debe ser medida en el mundo real por evaluadores profesionales, lo cual es extenuante. La red neuronal primero se entrena con suficientes datos de simulación para obtener la característica codificada. Luego, la información aprendida en el entorno de simulación se transfiere a otra red. La segunda red utiliza los datos tomados de veinte probadores profesionales. En comparación con el modelo sin transferencia de aprendizaje, el rendimiento del método propuesto tiene una mejora significativa. El error cuadrático medio para el conjunto de prueba es 0,692. Se observa que la velocidad predicha por el modelo de aprendizaje de transferencia profunda (DTL) diseñado está en buen acuerdo con los resultados de la medición experimental. Los resultados indican que el método de transferencia de aprendizaje propuesto es un modelo eficiente para ser utilizado como una herramienta para predecir la distancia de deslizamiento asistido y la velocidad de lanzamiento para atletas en el evento aéreo de esquí de estilo libre.

El evento aéreo de esquí estilo libre es un deporte que atrae la atención de personas de todo el mundo. El proyecto demuestra principalmente la técnica y la flexibilidad de los atletas, y es muy consistente con las características deportivas y características físicas de los propios atletas1. Por lo tanto, el evento aéreo de esquí de estilo libre siempre ha sido un avance importante para que los atletas ganen el oro en los Juegos Olímpicos de Invierno. La composición de la acción del evento aéreo de esquí de estilo libre se divide principalmente en cuatro fases, a saber, el deslizamiento asistido, el despegue, la fase aérea y de aterrizaje, respectivamente. Por lo general, estas cuatro fases están conectadas entre sí, se promueven e interactúan entre sí. Uno de los factores clave que determinan el éxito o el fracaso de la acción es el control de la altura de la subida, es decir, el control de la velocidad del lanzamiento al final de la fase de deslizamiento asistido. El diagrama y la vista lateral del sitio aéreo se muestran en la Fig. 1, donde se presentan en detalle las cuatro fases y el punto crucial de velocidad de lanzamiento.

El diagrama y la vista lateral del sitio aéreo.

Sin embargo, la velocidad del lanzamiento está influenciada por muchos factores. En las competiciones pasadas, la distancia de deslizamiento asistida de la prueba aérea de esquí libre depende enteramente de sus entrenadores e incluso de la propia experiencia del atleta, o el estado de determinación final se determina tras repetidos ensayos de deslizamiento, que pueden no ser óptimos. Además, la realización de pruebas al aire libre requiere mucho tiempo y es extenuante2,3,4. La velocidad de deslizamiento asistida está influenciada por las condiciones de la nieve, el entorno ambiental y la pendiente de deslizamiento. Las condiciones de la nieve incluyen la temperatura, la dureza y la textura de la nieve5,6,7, todo lo cual afecta directamente el coeficiente de fricción de la nieve, que a su vez afecta la velocidad de deslizamiento. La limitación de las pruebas de deslizamiento repetidas de los atletas se puede superar mediante el uso de un sistema tribómetro de esquí-nieve. Se prefiere un sistema de tribómetro de esquí-nieve debido a su medición objetiva, rápida y confiable. Sin embargo, se han realizado menos trabajos sobre el desarrollo del sistema tribómetro esquí-nieve. Los sistemas de medición existentes se pueden clasificar en dos categorías: (1) tribómetros lineales6,8; (2) tribómetros rotacionales9. Una limitación de los sistemas existentes es que no pueden cumplir con la medición de la fricción a lo largo del esquí debido al tamaño de las muestras y la construcción de los sistemas. Además, lo que es más importante, además del coeficiente de fricción de la nieve, la velocidad del atleta también está relacionada con la distancia de deslizamiento, la velocidad del viento, la dirección del viento, la pendiente, la altura, la temperatura del peso, la humedad y el ángulo de inclinación. Desafortunadamente, el modelo de medición existente no da directamente la relación entre la velocidad y estos factores para guiar a los atletas a lograr buenos resultados, lo cual es desfavorable para los atletas.

En este artículo, propusimos un algoritmo novedoso para predecir la velocidad del atleta y brindar orientación sobre la distancia de deslizamiento de asistencia para el atleta. El modelo considera exhaustivamente el efecto del coeficiente y captura las relaciones complejas entre las variables mediante el estudio de las características importantes integradas en los datos. Los datos sin procesar se recopilaron a través de experimentos de prueba para cambiar el statu quo de que la distancia de deslizamiento asistida depende completamente del entrenador e incluso de la propia experiencia del atleta.

Las RNA se emplean en diversos campos, como la clasificación, el reconocimiento de patrones, la predicción, etc.10,11,12. Recientemente, la aplicabilidad de ANN ha aumentado al brindar soluciones a aplicaciones de ingeniería como el monitoreo de aguas subterráneas, la predicción de la resistencia del concreto, la predicción de la velocidad de descarga de la tolva y la predicción del factor de fricción del agua pura12,13,14,15. Naderpour et al.16 predijeron la resistencia a la compresión del concreto con agregados reciclados con la ayuda de ANN. Los valores de regresión de la red seleccionada para entrenamiento, validación y prueba son 0.903, 0.89 y 0.829 respectivamente. Kumar et al.15 desarrollaron una ANN para predecir la tasa de descarga másica de las tolvas cónicas, y el modelo ANN elegido fue capaz de predecir la tasa de descarga de sistemas de partículas de componentes múltiples desde tolvas cónicas de diferentes ángulos con un error de ± 13 %. Cebi et al.12 desarrollaron un modelo ANN de factor de fricción en tubos lisos y microaletas en condiciones de calentamiento, enfriamiento e isotermas. Los resultados indican que dicho sistema basado en redes neuronales podría predecir efectivamente los valores del factor de fricción de los flujos independientemente de sus tipos de tubos. La razón principal por la que las ANN son ampliamente reconocidas es su eficacia para resolver problemas de ingeniería complejos17. ANN abstrae la red neuronal del cerebro humano desde la perspectiva del procesamiento de la información, establece un cierto modelo simple y forma diferentes redes de acuerdo con diferentes conexiones. Por lo tanto, ANN revela la asombrosa capacidad del modelado del cerebro humano. Hasta donde sabemos, las aplicaciones de ANN para predecir la distancia de deslizamiento de asistencia para atletas en el evento aéreo de esquí de estilo libre son muy raras en la literatura. Hasta la fecha, no existe ningún estudio sobre la predicción de la distancia de deslizamiento de asistencia. La investigación en este documento llena los vacíos en campos relacionados y proporciona una base para la investigación de seguimiento.

En la conferencia sobre sistemas de procesamiento de información neuronal, los investigadores dan una definición representativa: el aprendizaje de transferencia tiene como objetivo transferir conocimientos entre dominios, tareas y distribuciones similares pero diferentes. Posteriormente, con el mayor desarrollo del aprendizaje por transferencia, Pan y Yang18 dieron una definición formal de aprendizaje por transferencia en 2010, que lo divide en aprendizaje por transferencia isomórfico y aprendizaje por transferencia heterogéneo. En este artículo, el problema a resolver es el aprendizaje por transferencia isomórfica donde el espacio de características y el espacio de etiquetas de clase del dominio de origen y el dominio de destino son iguales pero la distribución marginal o la distribución condicional son diferentes. Bousmalis et al.19 propusieron la red de separación de dominios, cuya arquitectura de red consta de un codificador común, un codificador de dominio de origen, un codificador de dominio de destino, un decodificador común y un clasificador, que separa las características específicas del dominio mientras extrae las características del dominio común. Yan et al.20 propusieron la red de adaptación de dominio ponderado, que diseñó una discrepancia media máxima ponderada basada en la información previa de la categoría para adaptarse al dominio de origen y al dominio de destino. Li et al.21 propusieron el método de adaptación del dominio antagónico conjunto, que realiza una confrontación tanto a nivel de característica como a nivel de clase. El primero se usa para reducir la distribución marginal entre dominios y el segundo se usa para reducir la distribución condicional. La transferencia ahora se usa ampliamente en el aprendizaje de diversos conocimientos, habilidades y normas sociales22,23,24.

El rendimiento del modelo DTL diseñado para la predicción de la velocidad de lanzamiento se prueba en el campo de esquí de Baiqingzhai, cuya sede de habilidades aéreas de esquí de estilo libre cumple con los estándares internacionales de competencia. La latitud y longitud de Baiqingzhai Ski Resort son 41.58093 y 123.7144 respectivamente. El experimento se lleva a cabo en cuatro días con diferentes condiciones climáticas para explorar la influencia de la temperatura y la humedad. Se genera un total de 300 conjuntos de datos de entrada y salida basados en las mejores 15 pruebas por probador profesional. De los 300 conjuntos de datos de entrada y salida, 240 conjuntos de datos se usan para entrenamiento y los 60 conjuntos de datos restantes se usan para validación.

Para entrenar la red neuronal, la PC está equipada con 32,0 GB de RAM, CPU Core i7-9700F de 3,0 GHz y NVIDIA GeForce RTX 2060. La red del codificador se entrena primero con 100 000 conjuntos de datos de simulación con 100 tamaños de lote y 5000 épocas. El tiempo total de entrenamiento de la red del codificador es de unas 4 h. Después del proceso de entrenamiento, los parámetros de las capas ocultas se congelan. La última capa oculta de la red del codificador y otros tres parámetros en el mundo real es la entrada de la red de predicción. La etiqueta de datos es la velocidad de lanzamiento medida por el equipo. La red de predicción está entrenada por 240 conjuntos de datos del mundo real con 48 tamaños de lote y 500 épocas en alrededor de 20 minutos. La curva de pérdida durante el proceso de entrenamiento se muestra en la Fig. 2. Aparentemente, el modelo DTL converge rápidamente y la función de pérdida del conjunto de entrenamiento y el conjunto de validación se reducen sincrónicamente. Para demostrar la eficacia del aprendizaje por transferencia, se lleva a cabo un experimento en el que la red de predicción se entrena directamente con datos del mundo real. El modelo sin transferencia de aprendizaje converge muy lentamente. La función de pérdida en el conjunto de validación aumenta en la etapa posterior y pronto aparece el fenómeno de sobreajuste.

La curva de pérdidas durante el proceso de entrenamiento.

El rendimiento de la red entrenada se compara solo con datos simulados y solo datos del mundo real, y la red con aprendizaje de transferencia. Los errores cuadráticos medios (MSE) son 4,280, 1,946 y 0,692, respectivamente. El resultado revela que el modelo DTL propuesto supera a otros modelos por una gran brecha. El rendimiento de la red con solo datos simulados es peor debido al cambio de dominio entre la simulación y los entornos del mundo real. El modelo DTL propuesto integra el conocimiento en el entorno simulado para formar información codificada y transferirla al entorno real. El MSE de la mejor red neuronal es 0,692. Por lo tanto, se concluye que la red neuronal seleccionada puede proporcionar una buena correlación entre los parámetros del entorno y la velocidad de lanzamiento prevista. El MSE de la red con solo datos simulados es peor debido al cambio de dominio entre la simulación y el entorno del mundo real.

Dado que no se ha desarrollado un método para determinar la mejor estructura de red neuronal y un método de entrenamiento óptimo, en el presente trabajo, los conjuntos de datos disponibles son entrenados, validados y probados por otra red presentada en 4,7 hasta que la red obtiene el MSE mínimo. Según el número de nodos de entrada, capas ocultas y nodos ocultos, las dos redes se denominan respectivamente Modelo 9-2-8 y Modelo 11-2-15. El entrenamiento finaliza automáticamente después de 5000 épocas. La Tabla 1 enumera diferentes estructuras ANN probadas durante el ajuste del modelo, a la luz de los errores de entrenamiento, validación y prueba con cambios en la estructura de las neuronas en la capa oculta. La investigación de la Tabla 1 revela que la red neuronal propuesta supera a otras estructuras por un amplio margen. Por lo tanto, se concluye que la red neuronal seleccionada es capaz de proporcionar una buena correlación entre el objetivo y la velocidad de lanzamiento prevista para los atletas en el evento aéreo de esquí de estilo libre.

En este trabajo se desarrolla un sistema de adquisición de coeficiente de fricción de la nieve, velocidad del viento, dirección del viento y ángulo de inclinación y se propone un novedoso algoritmo DTL para predecir la velocidad de lanzamiento de los atletas en el evento aéreo de esquí estilo libre para cambiar el estado quo que la distancia de deslizamiento asistido depende completamente del entrenador e incluso de la propia experiencia del atleta. El modelo tiene en cuenta de manera integral varios factores que afectan la velocidad de lanzamiento de los atletas. Algunos de estos factores pueden ser simulados por el motor Unity3D, generando grandes cantidades de datos. Por otra parte, 20 atletas realizan experimentos en entornos del mundo real y obtienen una pequeña cantidad de datos. Nuestro algoritmo DTL propuesto maneja efectivamente el desequilibrio cuantitativo y la deriva de dominio entre los dos conjuntos de datos. A través de nuestros experimentos, descubrimos que el algoritmo DTL puede aprender información útil para el dominio de simulación y transferirla al dominio del mundo real y obtener el mejor rendimiento. El MSE de la red neuronal es 0.692, lo que supera significativamente a otros modelos sin transferencia de aprendizaje y satisface las necesidades de los atletas. El resultado muestra que el método propuesto puede ayudar a los entrenadores y atletas a elegir una distancia de deslizamiento de asistencia adecuada en función de los parámetros ambientales en ese momento.

En trabajos futuros, desarrollaremos sistemas de realidad virtual basados en modelos de redes neuronales existentes. En este sistema, los atletas pueden controlar la velocidad en diferentes superficies de nieve ajustando el ángulo y la actitud de las baldosas para mejorar la adaptabilidad a diferentes entornos. El sistema puede romper las restricciones de la temporada en el esquí de estilo libre.

El tribómetro rotacional se muestra en la Fig. 3a, que consiste en medir el subsistema de la rueda de rotación, el subsistema de arranque de potencia y el subsistema de caída de apoyo. Más específicamente, el subsistema de rueda de rotación de medición consta de rueda de rotación, eje de soporte, cojinete de cerámica, bloque de cojinete, riel de guía, deslizador de riel y sensor de velocidad de rotación. El subsistema de arranque eléctrico consiste en un motor paso a paso, un control deslizante eléctrico y una parte de transmisión separable. El subsistema de caída de soporte consiste en un marco, un deslizador de caída y un marco de soporte. En el subsistema de arranque de potencia, el motor paso a paso transmite potencia a la rueda de rotación en el subsistema de rueda de rotación de medición a través de la parte de transmisión separable, de modo que la rueda de rotación alcanza una cierta velocidad. En este momento, el control deslizante eléctrico en el subsistema de arranque de energía impulsa el motor paso a paso fuera de la transmisión. El control deslizante eléctrico en el subsistema de caída de soporte admite el subsistema de rueda de rotación de medición para que caiga a la superficie de nieve medida, de modo que la superficie exterior de la rueda de rotación esté en contacto con la superficie de nieve medida, y la velocidad de rotación actual de la rueda de rotación se registra como W1 por el sensor de velocidad de rotación. Cuando la rueda de rotación está en contacto con la superficie de nieve medida durante T segundos, la velocidad de rotación actual de la rueda de rotación se registra como W2 y el coeficiente de fricción (μ) se puede calcular mediante la siguiente fórmula:

donde f, N, d, M y α son la fricción, la presión, el diámetro de la rueda de rotación, el momento de inercia de la rueda de rotación y la desaceleración de la rueda de rotación, respectivamente.

Estructura general del equipo de medición.

De acuerdo con el proceso de medición del tribómetro rotacional, se analizan los requisitos de diseño del sistema de control, y el motor paso a paso y el motor de CC están controlados por la microcomputadora de un solo chip (SCM). Basado en el análisis del principio de control SCM, se realiza el control asíncrono del motor paso a paso, y la teoría de control PID incremental digital se utiliza para realizar el control síncrono de los dos motores de CC. En esta investigación, el motor paso a paso de circuito cerrado 57 es impulsado por el controlador HBS657, el motor paso a paso 42 es impulsado por el controlador DM320 y el controlador AQMH2407ND se usa para el motorreductor JGA25. Más específicamente, el flujo de control de los cuatro motores es el siguiente: presione el interruptor de arranque para restablecer el tribómetro, luego arranque el motor paso a paso de bucle cerrado 57 y acelere, el motor paso a paso de bucle cerrado 57 acelera y se estabiliza a 600 rpm, durante 10 s, y inicie el motor de 42 pasos para hacer que el control deslizante se mueva, el motor de 42 pasos alcanza la posición límite y los dos motores de soporte descendente caen sincrónicamente hasta la posición límite inferior. El diagrama de flujo del sistema de control se muestra en la Fig. 4. Además, para obtener una predicción más precisa de la distancia de deslizamiento asistido, en esta investigación también se miden la velocidad del viento, la dirección del viento y el ángulo de inclinación. Dado que el sensor de velocidad angular requiere una alta precisión, se utiliza un codificador fotoeléctrico de alta resolución (Omron E6H-CWZ3E). Se seleccionan el sensor de ángulo de inclinación MCA420T-60-02 y el módulo sensor de temperatura y humedad de la serie SHT3X, y los sensores de velocidad y dirección del viento son el modelo RS-FSJT y el modelo RS-FXJT respectivamente. La foto de todo el robot de medición desplegado en la estación de esquí se muestra en la Fig. 3b.

El diagrama de flujo del sistema de control.

Veinte probadores profesionales (de 20 a 30 años, media = 23,75, DE = 2,99) participaron en este estudio, que está aprobado por el comité de ética de la Universidad del Noreste. Cada participante realiza 20 pruebas y se seleccionan las mejores 15 pruebas por probador para un análisis más detallado. Los coeficientes al final de la etapa de deslizamiento de asistencia se miden antes de cada prueba. También se registran la distancia de deslizamiento asistida y la velocidad.

El conjunto de datos contiene dos partes: suficientes datos de simulación generados por el motor Unity3D y menos datos en el mundo real recopilados de atletas profesionales reclutados. El primer conjunto de datos incluye el coeficiente de fricción de la nieve, la velocidad del viento, la dirección del viento, la pendiente, la distancia de deslizamiento asistido, la altura y el peso del atleta que se pueden simular en el motor Unity3D. Configuramos un entorno virtual del evento aéreo de esquí de estilo libre que se muestra en la Fig. 5. Se simularon un total de 100,000 conjuntos de experimentos. Estos parámetros siguen una distribución gaussiana y la media y la desviación estándar de la distribución de los parámetros se muestran en la Tabla 2. Después de cinco horas de cálculos, todos los datos se completan fácilmente. Además de los parámetros contenidos en el primer conjunto de datos, el segundo conjunto de datos también incluye temperatura, humedad y ángulo de inclinación que son difíciles de simular. Los datos deben ser medidos en el mundo real por evaluadores profesionales, lo que requiere mucho tiempo. Por lo tanto, se necesitan cuatro días para recopilar un total de 300 conjuntos de datos. La velocidad y la dirección del viento se convierten en velocidad horizontal vx y velocidad vertical vy. Además, los datos deben normalizarse mediante la siguiente ecuación para equilibrar la diversidad de la distribución de parámetros.

donde \({y}^{l(i,j)}\) es el valor bruto de los datos, \(\hat{y}^{l(i,j)}\) es el valor normalizado de los datos, \( {\mu }_{B}=\mathrm{E}\left[{y}^{l(i,j)}\right]\), \({\sigma }_{B}^{2}= \mathrm{Var}\left[{y}^{l(i,j)}\right]\), \(\epsilon \) es una pequeña constante añadida para la estabilidad numérica.

El entorno virtual del evento aéreo de esquí freestyle en el motor Unity3D.

Como se mencionó en la sección anterior, los datos incluyen una gran cantidad de datos de simulación, así como una pequeña cantidad de datos del mundo real. El algoritmo necesita lidiar con la diferencia cuantitativa y el cambio de dominio de los dos conjuntos de datos. Se propone un nuevo método de aprendizaje de transferencia profunda supervisado. La estructura de la red neuronal se muestra en la Fig. 6. La parte roja llamada red codificadora se entrena primero mediante datos de simulación con etiqueta. Las entradas de la red neuronal son los siete parámetros del entorno y la salida es la predicción de la velocidad de lanzamiento. La última capa de la capa oculta está diseñada deliberadamente para ser estrecha. En esta capa se reserva la información más útil y las capas anteriores son consideradas como el codificador de la entrada. La parte azul llamada red de predicción luego se entrena con menos datos del mundo real. Las entradas son la última capa oculta de la red del codificador y otros tres parámetros. Tenga en cuenta que las capas en la red del codificador incluyen información aprendida en los datos de simulación, por lo que se congelan en el segundo proceso de entrenamiento.

La estructura de la red neuronal propuesta.

El error cuadrático medio (MSE), que es la diferencia cuadrática promedio entre los resultados y los objetivos, se selecciona como la función de pérdida. Además, se agrega una regularización L2 a la función de pérdida de la red de predicción para evitar el sobreajuste. λ es el coeficiente de penalización del elemento de regularización. La función de pérdida total de la red de predicción se presenta en la siguiente ecuación:

Los modelos ANN se entrenan utilizando el algoritmo de optimización de Adam. La función de activación es ReLU. El flujo de trabajo del modelo DTL se muestra en el Algoritmo 1. Finalmente, los datos de simulación y veinte participantes se dividen aleatoriamente en conjuntos de entrenamiento y prueba y el 80% de los datos para entrenamiento del modelo y el 20% para validación.

Los conjuntos de datos generados y/o analizados durante el estudio actual no están disponibles públicamente debido al acuerdo de confidencialidad, pero están disponibles del autor correspondiente a pedido razonable.

Se ha publicado una corrección de este artículo: https://doi.org/10.1038/s41598-023-34472-6

Nicotra, M., Moncalero, M. & Colonna, M. Efecto de las propiedades viscoelásticas de los polímeros termoplásticos en el comportamiento de flexión y rebote de las botas de esquí para esquí alpino. proc. Inst. mecánico Ing. Parte P J. Deportes Ing. Tecnología 229, 199–210. https://doi.org/10.1177/1754337114564481 (2015).

Artículo Google Académico

Leino, MAH, Spring, E. & Suominen, H. Métodos para la determinación simultánea de la resistencia del aire a un esquiador y el coeficiente de fricción de sus esquís sobre la nieve. Desgaste 86, 101–104 (1983).

Artículo Google Académico

Hasler, M. et al. Un novedoso tribómetro esquí-nieve y su precisión. Tribol. Letón. https://doi.org/10.1007/s11249-016-0719-2 (2016).

Artículo Google Académico

Song, W., Pan, Y., Qin, J., Wang, H. y Dong, C. Sistema de medición del entorno de nieve basado en el modelo BP para predecir la velocidad de lanzamiento de esquí de estilo libre del deportista. en 2020 IEEE 3rd International Conference of Safe Production and Informatization (IICSPI). 522–525 (IEEE).

Nachbauer, W., Schrocksnadel, P. & Lackinger, B. Efectos de la nieve y las condiciones del aire en la fricción del esquí. Skiing Trauma Safety Tenth 1266, 178–185. https://doi.org/10.1520/stp37927s (1996).

Artículo Google Académico

Montagnat, M. & Schulson, EM Sobre la fricción y el agrietamiento superficial durante el deslizamiento de hielo sobre hielo. J. Glaciol. 49, 391–396 (2003).

Artículo ANUNCIOS Google Académico

Qin, J. et al. La predicción cuantitativa de la distancia de deslizamiento auxiliar del esquí de estilo libre basada en la red neuronal MLP. en 2019 IEEE 2nd International Conference on Information Communication and Signal Processing (ICICSP). 469–472 (IEEE).

Jones, SJ, Kitigawa, H., Izumiyama, K. y Shimoda, H. Fricción del hielo derretido. Ana. Glaciolo. 19, 7–12 (1994).

Artículo ANUNCIOS Google Académico

Baeurle, L., Szabo, D., Fauve, M., Rhyner, H. & Spencer, ND Fricción deslizante de polietileno sobre hielo: mediciones del tribómetro. Tribol. Letón. 24, 77–84. https://doi.org/10.1007/s11249-006-9147-z (2006).

Artículo CAS Google Académico

LeCun, Y., Bengio, Y. & Hinton, G. Aprendizaje profundo. Naturaleza 521, 436–444 (2015).

Artículo ADS CAS PubMed Google Scholar

ArumugaMariaDevi, T. & Darwin, P. Métricas de rendimiento en imágenes hiperespectrales en redes neuronales convolucionales contextuales difusas para analizadores de calidad de alimentos. En t. J. Incertidumbre Borrosidad Sistema basado en conocimiento. 30, 337–356. https://doi.org/10.1142/S0218488522400104 (2022).

Artículo Google Académico

Cebi, A., Akdogan, E., Celen, A. & Dalkilic, AS Predicción del factor de fricción del agua pura que fluye dentro de tubos verticales lisos y de microaleta mediante el uso de redes neuronales artificiales. Transferencia de masa de calor 53, 673–685. https://doi.org/10.1007/s00231-016-1850-1 (2017).

Artículo ADS CAS Google Académico

Duan, ZH, Kou, SC y Poon, CS Predicción de la resistencia a la compresión del hormigón con agregados reciclados utilizando redes neuronales artificiales. Constr. Construir. Mate. 40, 1200–1206. https://doi.org/10.1016/j.conbuildmat.2012.04.063 (2013).

Artículo Google Académico

Ling, TC Predicción de densidad y resistencia a la compresión para bloques de concreto recubiertos de caucho. Constr. Construir. Mate. 25, 4303–4306 (2011).

Artículo Google Académico

Kumar, R., Patel, CM, Jana, AK & Gopireddy, SR Predicción de la tasa de descarga de la tolva utilizando el método combinado de elementos discretos y una red neuronal artificial. Adv. Tecnología en polvo. 29, 2822–2834. https://doi.org/10.1016/j.apt.2018.08.002 (2018).

Artículo Google Académico

Naderpour, H., Rafiean, AH y Fakharian, P. Predicción de la resistencia a la compresión del hormigón ecológico mediante redes neuronales artificiales. J. Construir. Ing. 16, 213–219. https://doi.org/10.1016/j.jobe.2018.01.007 (2018).

Artículo Google Académico

Getahun, MA, Shitote, SM y Gariy, ZCA Enfoque de modelado basado en redes neuronales artificiales para la predicción de la resistencia del hormigón que incorpora desechos agrícolas y de construcción. Constr. Construir. Mate. 190, 517–525. https://doi.org/10.1016/j.conbuildmat.2018.09.097 (2018).

Artículo Google Académico

Pan, SJ & Yang, Q. Una encuesta sobre el aprendizaje por transferencia. Trans. IEEE. Saber Ing. de datos 22, 1345–1359 (2009).

Artículo Google Académico

Bousmalis, K., Trigeorgis, G., Silberman, N., Krishnan, D. y Erhan, D. Redes de separación de dominio. Adv. Informe neuronal. Proceso. sist. 29, 343–351 (2016).

Google Académico

Yan, H. et al. Tenga en cuenta el sesgo de peso de clase: discrepancia media máxima ponderada para la adaptación de dominio no supervisada. en las Actas de la Conferencia IEEE sobre Visión por Computador y Reconocimiento de Patrones. 2272–2281.

Li, S. et al. Adaptación del dominio antagónico conjunto. en Actas de la 27ª Conferencia Internacional ACM sobre Multimedia. 729–737.

Yu, X., Yang, X., Tan, Q., Shan, C. & Lv, Z. Un método de detección de anomalías basado en computación perimetral en la sustentabilidad industrial de IoT. aplicación Cómputo suave. 128, 109486 (2022).

Artículo Google Académico

Hu, N., Tian, Z., Du, X., Guizani, N. & Zhu, Z. Deep-Green: un paradigma de computación de eficiencia energética dispersa para IoT industrial verde. Trans. IEEE. Comuna Verde. Neto. 5, 750–764 (2021).

Artículo Google Académico

Xu, X., Liu, W. & Yu, L. Predicción de trayectoria para agentes de tráfico heterogéneos utilizando un modelo basado en datos de corrección de conocimiento. información ciencia 608, 375–391 (2022).

Artículo Google Académico

Descargar referencias

Los autores recibieron el apoyo del Programa Nacional Clave de I+D de China (2021YFF0306400). Los autores agradecen a la organización de financiación por su apoyo financiero. Los autores también quisieran agradecer a la estación de esquí Baiqingzhai en Shenyang de China por su total apoyo.

Escuela de Ingeniería Mecánica y Automatización, Universidad del Noreste, Shenyang, China

Daqi Jiang, Hong Wang y Jichi Chen

Centro de Investigación Clave para Ciencias Sociales, Universidad Deportiva de Shenyang, Shenyang, China

chuansheng dong

También puede buscar este autor en PubMed Google Scholar

DJ: análisis formal, metodología, software, recopilación de datos, validación, visualización, conceptualización, redacción—borrador original, redacción—revisión y edición. HW: investigación, conceptualización, recursos, administración y supervisión de proyectos. JC: curación de datos. CD: visualización y adquisición de fondos.

Correspondencia a Chuansheng Dong.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Se revisó la versión original en línea de este artículo: La versión original de este artículo contenía errores en las secciones Contribuciones del autor y Agradecimientos. La información completa sobre las correcciones realizadas se puede encontrar en el aviso de corrección de este artículo.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Jiang, D., Wang, H., Chen, J. et al. Predicción precisa de la velocidad de lanzamiento para los atletas en el evento aéreo de esquí de estilo libre basado en el aprendizaje de transferencia profunda. Informe científico 13, 4308 (2023). https://doi.org/10.1038/s41598-023-31355-8

Descargar cita

Recibido: 23 enero 2023

Aceptado: 10 de marzo de 2023

Publicado: 15 de marzo de 2023

DOI: https://doi.org/10.1038/s41598-023-31355-8

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.